دوره واژگان و فرآیندهای یادگیری ماشین: مبانی کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره واژگان و فرآیندهای یادگیری ماشین: مبانی کاربردی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مفاهیم و فرایندهای کلیدی در یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. تعریف یادگیری ماشین و انواع آن
• 3. یادگیری نظارت‌شده: مفاهیم پایه
• 4. یادگیری نظارت‌نشده: مفاهیم پایه
• 5. یادگیری تقویتی: مفاهیم پایه
• 6. مجموعه داده‌ها: جمع‌آوری و آماده‌سازی
• 7. پیش‌پردازش داده‌ها: پاک‌سازی داده‌ها
• 8. پیش‌پردازش داده‌ها: مدیریت مقادیر گمشده
• 9. پیش‌پردازش داده‌ها: مقیاس‌بندی ویژگی‌ها
• 10. پیش‌پردازش داده‌ها: کدگذاری متغیرهای دسته‌ای
• 11. مهندسی ویژگی: انتخاب ویژگی
• 12. مهندسی ویژگی: استخراج ویژگی
• 13. مهندسی ویژگی: ایجاد ویژگی‌های جدید
• 14. آموزش و ارزیابی مدل‌ها
• 15. تقسیم داده‌ها: مجموعه آموزش، اعتبارسنجی و آزمون
• 16. تابع هزینه (Loss Function)
• 17. بهینه‌سازی تابع هزینه
• 18. گرادیان کاهشی (Gradient Descent)
• 19. انواع گرادیان کاهشی
• 20. تنظیم نرخ یادگیری (Learning Rate)
• 21. بیش‌برازش (Overfitting)
• 22. کم‌برازش (Underfitting)
• 23. تنظیم‌گری (Regularization)
• 24. L1 و L2 Regularization
• 25. اعتبارسنجی متقابل (Cross-Validation)
• 26. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 27. دقت (Accuracy)
• 28. صحت (Precision)
• 29. بازیابی (Recall)
• 30. امتیاز F1
• 31. منحنی ROC و AUC
• 32. معیارهای ارزیابی مدل‌های رگرسیون
• 33. میانگین مربعات خطا (MSE)
• 34. ریشه میانگین مربعات خطا (RMSE)
• 35. میانگین قدر مطلق خطا (MAE)
• 36. ضریب تعیین (R-squared)
• 37. الگوریتم‌های یادگیری نظارت‌شده: رگرسیون خطی
• 38. رگرسیون چندجمله‌ای
• 39. رگرسیون لجستیک
• 40. ماشین بردار پشتیبان (SVM)
• 41. درخت تصمیم (Decision Tree)
• 42. جنگل تصادفی (Random Forest)
• 43. تقویت گرادیان (Gradient Boosting)
• 44. الگوریتم‌های یادگیری نظارت‌نشده: خوشه‌بندی (Clustering)
• 45. K-Means Clustering
• 46. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 47. DBSCAN
• 48. تحلیل مولفه‌های اصلی (PCA)
• 49. کاهش ابعاد
• 50. الگوریتم‌های یادگیری تقویتی: مفاهیم پایه
• 51. عامل (Agent)، محیط (Environment)
• 52. حالت (State)، عمل (Action)
• 53. پاداش (Reward)، سیاست (Policy)
• 54. تابع ارزش (Value Function)
• 55. یادگیری Q-Learning
• 56. یادگیری Deep Q-Network (DQN)
• 57. شبکه‌های عصبی مصنوعی (ANN)
• 58. لایه‌های شبکه‌های عصبی
• 59. توابع فعال‌سازی (Activation Functions)
• 60. پس‌انتشار خطا (Backpropagation)
• 61. شبکه‌های عصبی کانولوشنی (CNN)
• 62. لایه‌های کانولوشن
• 63. لایه‌های پولینگ (Pooling)
• 64. شبکه‌های عصبی بازگشتی (RNN)
• 65. حافظه کوتاه‌مدت طولانی (LSTM)
• 66. شبکه‌های مولد تخاصمی (GAN)
• 67. پردازش زبان طبیعی (NLP)
• 68. مدل‌سازی زبان (Language Modeling)
• 69. تحلیل احساسات (Sentiment Analysis)
• 70. ترجمه ماشینی (Machine Translation)
• 71. سیستم‌های توصیه‌گر (Recommender Systems)
• 72. یادگیری عمیق (Deep Learning)
• 73. فریم‌ورک‌های یادگیری ماشین
• 74. TensorFlow
• 75. PyTorch
• 76. Scikit-learn
• 77. کاربردها و اخلاقیات یادگیری ماشین
• 78. سوگیری در الگوریتم‌ها (Algorithmic Bias)
• 79. عدالت و انصاف در هوش مصنوعی
• 80. شفافیت و توضیح‌پذیری مدل‌ها (Explainable AI)
• 81. حریم خصوصی داده‌ها در یادگیری ماشین
• 82. امنیت مدل‌های یادگیری ماشین
• 83. ملاحظات اخلاقی در توسعه هوش مصنوعی
• 84. توسعه مسئولانه هوش مصنوعی
• 85. آینده یادگیری ماشین و هوش مصنوعی
• 86. یادگیری ماشین قابل اعتماد
• 87. هوش مصنوعی عمومی (AGI)
• 88. ملاحظات پیاده‌سازی پروژه‌های یادگیری ماشین
• 89. مدیریت چرخه عمر مدل (MLOps)
• 90. مانیتورینگ مدل‌های مستقر شده
• 91. به‌روزرسانی و بازآموزی مدل‌ها
• 92. ارتباط با متخصصان داده
• 93. مطالعات موردی در یادگیری ماشین
• 94. کاربرد در حوزه بهداشت و درمان
• 95. کاربرد در حوزه مالی و بانکداری
• 96. کاربرد در حوزه صنعت و تولید
• 97. کاربرد در حوزه حمل و نقل
• 98. کاربرد در حوزه آموزش
• 99. کاربرد در حوزه کشاورزی
• 100. کاربرد در حوزه مدیریت شهری