دوره مقدمه‌ای بر یادگیری ماشین: مفاهیم و الگوریتم‌های پایه همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر یادگیری ماشین: مفاهیم و الگوریتم‌های پایه

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین: مقدمه
• 2. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 3. داده‌ها در یادگیری ماشین: انواع و ویژگی‌ها
• 4. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 5. مهندسی ویژگی: ایجاد و انتخاب ویژگی‌های مؤثر
• 6. مدل‌های یادگیری ماشین: رگرسیون خطی
• 7. ارزیابی مدل‌های رگرسیون: معیارهای خطا
• 8. مدل‌های یادگیری ماشین: رگرسیون لجستیک
• 9. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازیابی
• 10. مدل‌های یادگیری ماشین: درختان تصمیم
• 11. آموزش و اعتبارسنجی درختان تصمیم
• 12. بهینه‌سازی پارامترهای درختان تصمیم
• 13. مدل‌های یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
• 14. هسته‌های SVM و کاربردهای آن‌ها
• 15. مدل‌های یادگیری ماشین: شبکه‌های عصبی مصنوعی
• 16. معماری شبکه‌های عصبی: لایه‌ها و نورون‌ها
• 17. تابع فعال‌سازی در شبکه‌های عصبی
• 18. آموزش شبکه‌های عصبی: انتشار رو به عقب خطا
• 19. بهینه‌سازی در آموزش شبکه‌های عصبی: گرادیان کاهشی
• 20. مدل‌های یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
• 21. یادگیری جمعی (Ensemble Learning): مقدمه
• 22. روش‌های یادگیری جمعی: Bagging
• 23. روش‌های یادگیری جمعی: Boosting
• 24. مدل‌های یادگیری ماشین: جنگل‌های تصادفی
• 25. کاربرد جنگل‌های تصادفی در طبقه‌بندی و رگرسیون
• 26. مدل‌های یادگیری ماشین: گرادیان بوستینگ
• 27. الگوریتم XGBoost
• 28. مدل‌های یادگیری ماشین: K-نزدیک‌ترین همسایه (KNN)
• 29. انتخاب مقدار K در KNN
• 30. مدل‌های یادگیری ماشین: الگوریتم K-Means برای خوشه‌بندی
• 31. ارزیابی خوشه‌بندی: شاخص سیلوئت
• 32. مدل‌های یادگیری ماشین: تحلیل مولفه‌های اصلی (PCA)
• 33. کاربرد PCA در کاهش ابعاد
• 34. مدل‌های یادگیری ماشین: تحلیل تشخیص (LDA)
• 35. مدل‌های یادگیری ماشین: شبکه‌های عصبی کانولوشنال (CNN)
• 36. کاربرد CNN در پردازش تصویر
• 37. مدل‌های یادگیری ماشین: شبکه‌های عصبی بازگشتی (RNN)
• 38. کاربرد RNN در پردازش زبان طبیعی
• 39. مقدمه‌ای بر یادگیری تقویتی
• 40. عناصر یادگیری تقویتی: عامل، محیط، پاداش
• 41. یادگیری تقویتی: سیاست‌ها و توابع ارزش
• 42. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 43. الگوریتم‌های یادگیری تقویتی: SARSA
• 44. یادگیری عمیق (Deep Learning): مقدمه
• 45. مبانی یادگیری عمیق
• 46. شبکه‌های عصبی عمیق
• 47. کاربردهای یادگیری عمیق
• 48. پردازش زبان طبیعی (NLP): مقدمه
• 49. تکنیک‌های پیش‌پردازش متن
• 50. مدل‌های زبانی
• 51. یادگیری نمایش کلمات (Word Embeddings)
• 52. شبکه‌های عصبی برای NLP
• 53. کاربرد NLP در ترجمه ماشینی
• 54. کاربرد NLP در تحلیل احساسات
• 55. کاربرد NLP در خلاصه‌سازی متن
• 56. بینایی ماشین (Computer Vision): مقدمه
• 57. پردازش تصویر دیجیتال
• 58. استخراج ویژگی از تصاویر
• 59. مدل‌های یادگیری ماشین برای بینایی ماشین
• 60. کاربرد CNN در تشخیص اشیاء
• 61. کاربرد CNN در قطعه‌بندی تصاویر
• 62. سیستم‌های توصیه‌گر (Recommender Systems): مقدمه
• 63. روش‌های فیلترینگ مبتنی بر محتوا
• 64. روش‌های فیلترینگ مشارکتی
• 65. ارزیابی سیستم‌های توصیه‌گر
• 66. مدل‌های یادگیری ماشین در سیستم‌های توصیه‌گر
• 67. یادگیری ماشین در حوزه سلامت
• 68. کاربرد یادگیری ماشین در تشخیص بیماری
• 69. یادگیری ماشین در حوزه مالی
• 70. یادگیری ماشین در حوزه تجارت الکترونیک
• 71. یادگیری ماشین در حوزه آموزش
• 72. مبانی اخلاق در یادگیری ماشین
• 73. سوگیری در داده‌ها و مدل‌ها
• 74. تفسیرپذیری مدل‌های یادگیری ماشین
• 75. امنیت در یادگیری ماشین
• 76. آینده یادگیری ماشین
• 77. مروری بر ابزارها و کتابخانه‌های یادگیری ماشین
• 78. یادگیری ماشین با استفاده از Python
• 79. کتابخانه Scikit-learn
• 80. کتابخانه TensorFlow
• 81. کتابخانه PyTorch
• 82. ساخت پروژه یادگیری ماشین: گام به گام
• 83. انتخاب مسئله و جمع‌آوری داده
• 84. آماده‌سازی داده‌ها
• 85. انتخاب و آموزش مدل
• 86. ارزیابی و بهبود مدل
• 87. استقرار مدل
• 88. مطالعات موردی در یادگیری ماشین
• 89. چالش‌های عملی در پیاده‌سازی یادگیری ماشین
• 90. نکات پیشرفته در یادگیری ماشین
• 91. یادگیری انتقالی (Transfer Learning)
• 92. یادگیری خودنظارتی (Self-Supervised Learning)
• 93. شبکه‌های مولد تخاصمی (GANs)
• 94. یادگیری تقویتی عمیق
• 95. مروری بر وضعیت فعلی و روندهای آینده هوش مصنوعی
• 96. هوش مصنوعی مسئولانه و ایمن
• 97. نقش جامعه علمی و مهندسی در توسعه هوش مصنوعی
• 98. چالش‌های حقوقی و اجتماعی هوش مصنوعی
• 99. سرمایه‌گذاری و نوآوری در حوزه هوش مصنوعی
• 100. آموزش و توسعه مهارت‌های مرتبط با هوش مصنوعی