دوره مبانی یادگیری ماشین برای مبتدیان: درک هوش مصنوعی از پایه همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین برای مبتدیان: درک هوش مصنوعی از پایه

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
• 2. تعریف یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده
• 4. انواع یادگیری ماشین: بدون نظارت
• 5. انواع یادگیری ماشین: تقویتی
• 6. کاربردها و مثال‌های یادگیری ماشین
• 7. مفاهیم کلیدی در یادگیری ماشین
• 8. مجموعه داده‌ها: جمع‌آوری و آماده‌سازی
• 9. پیش‌پردازش داده‌ها: پاکسازی
• 10. پیش‌پردازش داده‌ها: نرمال‌سازی
• 11. پیش‌پردازش داده‌ها: استانداردسازی
• 12. مهندسی ویژگی
• 13. انتخاب ویژگی
• 14. مقدمه‌ای بر الگوریتم‌های یادگیری نظارت شده
• 15. رگرسیون خطی
• 16. رگرسیون لجستیک
• 17. دسته‌بندی‌کننده‌های ناوبری بیز
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. درختان تصمیم
• 20. جنگل‌های تصادفی
• 21. گره‌بندی K-نزدیکترین همسایه (KNN)
• 22. ارزیابی مدل‌های یادگیری نظارت شده
• 23. معیارهای ارزیابی برای رگرسیون
• 24. معیارهای ارزیابی برای دسته‌بندی
• 25. ماتریس درهم‌ریختگی
• 26. دقت، صحت و فراخوانی
• 27. امتیاز F1
• 28. منحنی ROC و سطح زیر منحنی (AUC)
• 29. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 30. تنظیم مدل‌ها: اعتبارسنجی متقابل
• 31. تنظیم هایپرپارامترها
• 32. مقدمه‌ای بر الگوریتم‌های یادگیری بدون نظارت
• 33. خوشه‌بندی K-Means
• 34. خوشه‌بندی سلسله مراتبی
• 35. تحلیل مؤلفه‌های اصلی (PCA)
• 36. کاربرد PCA در کاهش ابعاد
• 37. توزیع نرمال و مفاهیم آماری
• 38. قضیه بیز و کاربرد آن
• 39. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 40. ساختار یک نورون مصنوعی
• 41. توابع فعال‌سازی
• 42. شبکه‌های عصبی پیشخور
• 43. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 44. پس‌انتشار خطا (Backpropagation)
• 45. بهینه‌سازها در شبکه‌های عصبی
• 46. نرخ یادگیری (Learning Rate)
• 47. مقدمه‌ای بر یادگیری عمیق
• 48. شبکه‌های عصبی کانولوشنی (CNN)
• 49. کاربردهای CNN در بینایی ماشین
• 50. شبکه‌های عصبی بازگشتی (RNN)
• 51. کاربردهای RNN در پردازش زبان طبیعی
• 52. حافظه طولانی کوتاه مدت (LSTM)
• 53. واحدهای بازگشتی گیت‌دار (GRU)
• 54. معماری‌های پیشرفته در یادگیری عمیق
• 55. یادگیری تقویتی: مفاهیم پایه
• 56. عامل، محیط، حالت و پاداش
• 57. سیاست در یادگیری تقویتی
• 58. تابع ارزش
• 59. یادگیری Q (Q-Learning)
• 60. یادگیری Q عمیق (DQN)
• 61. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 62. توکن‌سازی و ریشه‌یابی کلمات
• 63. برچسب‌گذاری اجزای کلام (POS Tagging)
• 64. تحلیل وابستگی
• 65. مدل‌سازی موضوعی (Topic Modeling)
• 66. کاربرد مدل‌سازی موضوعی
• 67. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 68. تشخیص لبه
• 69. تشخیص ویژگی
• 70. تشخیص اشیاء
• 71. بخش‌بندی تصاویر
• 72. کاربرد بخش‌بندی تصاویر
• 73. اخلاق در هوش مصنوعی و یادگیری ماشین
• 74. سوگیری در داده‌ها و الگوریتم‌ها
• 75. مسئولیت‌پذیری در هوش مصنوعی
• 76. شفافیت و تفسیرپذیری مدل‌ها
• 77. حریم خصوصی در داده‌ها
• 78. امنیت در مدل‌های یادگیری ماشین
• 79. ملاحظات اخلاقی در توسعه هوش مصنوعی
• 80. هوش مصنوعی مسئولانه در سازمان‌ها
• 81. چارچوب‌های اخلاقی برای هوش مصنوعی
• 82. کاربرد یادگیری ماشین در صنعت
• 83. یادگیری ماشین در سلامت
• 84. یادگیری ماشین در امور مالی
• 85. یادگیری ماشین در بازاریابی
• 86. یادگیری ماشین در تولید
• 87. یادگیری ماشین در حمل و نقل
• 88. یادگیری ماشین در آموزش
• 89. آینده یادگیری ماشین و هوش مصنوعی
• 90. ترندهای نوظهور در یادگیری ماشین
• 91. هوش مصنوعی عمومی (AGI)
• 92. ملاحظات نهایی در یادگیری ماشین
• 93. مسیرهای شغلی در حوزه هوش مصنوعی
• 94. منابع برای مطالعه بیشتر
• 95. جمع‌بندی مفاهیم کلیدی
• 96. تمرینات عملی و پروژه‌های کوچک
• 97. ساخت یک مدل یادگیری نظارت شده ساده
• 98. ساخت یک مدل یادگیری بدون نظارت ساده
• 99. مقدمه‌ای بر ابزارها و کتابخانه‌های یادگیری ماشین
• 100. کتابخانه Scikit-learn