دوره مبانی احتمال و آمار برای علم داده و یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی احتمال و آمار برای علم داده و یادگیری ماشین

موضوع کلی: علوم پایه و کاربردی در فناوری اطلاعات

موضوع میانی: مبانی ریاضی و آماری در یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علم داده و یادگیری ماشین
• 2. مقدمه‌ای بر احتمال
• 3. فضای نمونه و پیشامدها
• 4. قوانین احتمال
• 5. احتمال شرطی
• 6. قضیه بیز
• 7. متغیرهای تصادفی گسسته
• 8. توزیع‌های گسسته رایج
• 9. متغیرهای تصادفی پیوسته
• 10. توزیع‌های پیوسته رایج
• 11. امید ریاضی و واریانس
• 12. قوانین امید ریاضی و واریانس
• 13. کوواریانس و همبستگی
• 14. چند توزیعی
• 15. قضیه حد مرکزی
• 16. آمار توصیفی
• 17. نمودارهای توصیفی
• 18. شاخص‌های مرکزی
• 19. شاخص‌های پراکندگی
• 20. مقدمه‌ای بر استنباط آماری
• 21. برآوردگرها
• 22. برآورد حداکثر درستنمایی
• 23. برآورد حداقل مربعات
• 24. فواصل اطمینان
• 25. آزمون فرض آماری
• 26. مقدمه‌ای بر آزمون‌های فرض
• 27. آزمون فرض برای میانگین
• 28. آزمون فرض برای نسبت
• 29. آزمون فرض برای واریانس
• 30. مقدمه‌ای بر رگرسیون خطی
• 31. مدل رگرسیون خطی ساده
• 32. برآورد پارامترهای رگرسیون
• 33. تفسیر ضرایب رگرسیون
• 34. ارزیابی مدل رگرسیون
• 35. مقدمه‌ای بر رگرسیون لجستیک
• 36. مدل رگرسیون لجستیک
• 37. برآورد پارامترهای رگرسیون لجستیک
• 38. تفسیر ضرایب رگرسیون لجستیک
• 39. ارزیابی مدل رگرسیون لجستیک
• 40. مقدمه‌ای بر یادگیری ماشین
• 41. انواع یادگیری ماشین
• 42. یادگیری با نظارت
• 43. یادگیری بدون نظارت
• 44. یادگیری تقویتی
• 45. مقدمه‌ای بر طبقه‌بندی
• 46. الگوریتم‌های طبقه‌بندی
• 47. دقت و صحت در طبقه‌بندی
• 48. ماتریس درهم‌ریختگی
• 49. منحنی ROC و AUC
• 50. مقدمه‌ای بر خوشه‌بندی
• 51. الگوریتم‌های خوشه‌بندی
• 52. معیارهای ارزیابی خوشه‌بندی
• 53. مقدمه‌ای بر کاهش ابعاد
• 54. روش‌های کاهش ابعاد
• 55. تحلیل مولفه‌های اصلی (PCA)
• 56. مقدمه‌ای بر شبکه‌های عصبی
• 57. معماری شبکه‌های عصبی
• 58. توابع فعال‌سازی
• 59. پس‌انتشار خطا
• 60. مقدمه‌ای بر یادگیری عمیق
• 61. شبکه‌های عصبی کانولوشنی (CNN)
• 62. شبکه‌های عصبی بازگشتی (RNN)
• 63. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 64. مدل‌سازی زبان
• 65. تحلیل احساسات
• 66. مقدمه‌ای بر بینایی ماشین
• 67. تشخیص اشیاء
• 68. تقسیم‌بندی تصاویر
• 69. کاربرد آمار در داده‌کاوی
• 70. کاربرد احتمال در کشف الگو
• 71. استنتاج آماری در یادگیری ماشین
• 72. آزمون فرض برای مدل‌های یادگیری ماشین
• 73. بهینه‌سازی مدل‌ها با رویکرد آماری
• 74. مقدمه‌ای بر مدل‌های سری زمانی
• 75. تحلیل مدل‌های سری زمانی
• 76. پیش‌بینی با مدل‌های سری زمانی
• 77. مقدمه‌ای بر روش‌های نمونه‌گیری
• 78. انواع روش‌های نمونه‌گیری
• 79. کاربرد نمونه‌گیری در تحلیل داده
• 80. مقدمه‌ای بر تحلیل بقا
• 81. مدل‌های تحلیل بقا
• 82. کاربرد تحلیل بقا در مهندسی
• 83. مقدمه‌ای بر تحلیل عاملی
• 84. روش‌های تحلیل عاملی
• 85. تفسیر عوامل در تحلیل عاملی
• 86. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 87. مدل‌های GLM رایج
• 88. کاربرد GLM در علم داده
• 89. مقدمه‌ای بر روش‌های بیزی در یادگیری ماشین
• 90. استنتاج بیزی
• 91. مدل‌های بیزی در طبقه‌بندی
• 92. مقدمه‌ای بر شبکه‌های بیزی
• 93. ساختار شبکه‌های بیزی
• 94. یادگیری پارامترهای شبکه‌های بیزی
• 95. مقدمه‌ای بر روش‌های مونت کارلو
• 96. شبیه‌سازی مونت کارلو
• 97. کاربرد مونت کارلو در بهینه‌سازی
• 98. مقدمه‌ای بر تحلیل داده‌های حجیم
• 99. چالش‌های داده‌های حجیم
• 100. ابزارهای تحلیل داده‌های حجیم