دوره آشنایی با مفاهیم و الگوریتم‌های یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با مفاهیم و الگوریتم‌های یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری با نظارت
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. پیش‌پردازش داده‌ها
• 8. پاکسازی داده‌ها
• 9. مقیاس‌بندی داده‌ها
• 10. انتخاب ویژگی
• 11. کاهش ابعاد
• 12. مدل‌های خطی
• 13. رگرسیون خطی
• 14. رگرسیون لجستیک
• 15. ماشین‌های بردار پشتیبان (SVM)
• 16. درختان تصمیم
• 17. جنگل‌های تصادفی
• 18. تقویت گرادیان
• 19. مدل‌های مبتنی بر همسایگی
• 20. K-نزدیکترین همسایه (KNN)
• 21. خوشه‌بندی
• 22. K-Means
• 23. خوشه‌بندی سلسله مراتبی
• 24. DBSCAN
• 25. کاهش ابعاد غیرخطی
• 26. تحلیل مولفه‌های اصلی (PCA)
• 27. t-SNE
• 28. کاربرد PCA و t-SNE
• 29. مدل‌های بیزی
• 30. طبقه‌بندی کننده نایو بیز
• 31. کاربرد Naive Bayes
• 32. شبکه‌های عصبی مصنوعی
• 33. مبانی شبکه‌های عصبی
• 34. پروسپترون تک لایه
• 35. شبکه‌های عصبی چند لایه
• 36. توابع فعال‌سازی
• 37. پس‌انتشار خطا
• 38. بهینه‌سازی شبکه‌های عصبی
• 39. گرادیان کاهشی
• 40. گرادیان کاهشی تصادفی (SGD)
• 41. بهینه‌سازهای پیشرفته
• 42. تنظیم نرخ یادگیری
• 43. تنظیم‌کننده‌ها
• 44. Dropout
• 45. تنظیم‌کننده‌های L1 و L2
• 46. معماری‌های پیشرفته شبکه‌های عصبی
• 47. شبکه‌های عصبی کانولوشنال (CNN)
• 48. کاربرد CNN در بینایی ماشین
• 49. شبکه‌های عصبی بازگشتی (RNN)
• 50. کاربرد RNN در پردازش زبان طبیعی
• 51. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 52. شبکه‌های واحد بازگشتی (GRU)
• 53. یادگیری عمیق
• 54. مبانی یادگیری عمیق
• 55. مدل‌های مولد
• 56. شبکه‌های مولد تخاصمی (GAN)
• 57. کاربرد GAN
• 58. کدگذارهای خودکار
• 59. کاربرد کدگذارهای خودکار
• 60. پردازش زبان طبیعی (NLP)
• 61. مبانی NLP
• 62. مدل‌سازی زبانی
• 63. تحلیل احساسات
• 64. ترجمه ماشینی
• 65. سیستم‌های پرسش و پاسخ
• 66. بینایی ماشین
• 67. مبانی بینایی ماشین
• 68. تشخیص اشیاء
• 69. تقسیم‌بندی تصویر
• 70. تولید تصویر
• 71. یادگیری تقویتی عمیق
• 72. مبانی یادگیری تقویتی عمیق
• 73. الگوریتم‌های Q-Learning
• 74. الگوریتم‌های Deep Q-Network (DQN)
• 75. الگوریتم‌های Policy Gradient
• 76. کاربرد یادگیری تقویتی عمیق
• 77. هوش مصنوعی در عمل
• 78. مهندسی ویژگی در دنیای واقعی
• 79. مدیریت داده‌های بزرگ
• 80. استقرار مدل‌های یادگیری ماشین
• 81. ارزیابی و پایش مدل‌ها
• 82. اخلاق در هوش مصنوعی
• 83. سوگیری در الگوریتم‌ها
• 84. شفافیت و توضیح‌پذیری مدل‌ها
• 85. حریم خصوصی و امنیت داده‌ها
• 86. نکات پایانی در یادگیری ماشین
• 87. مرور مفاهیم کلیدی
• 88. مسیرهای پیشرفت در هوش مصنوعی
• 89. پروژه‌های عملی در یادگیری ماشین
• 90. منابع تکمیلی برای مطالعه