دوره تحلیل و مدل‌سازی سیستم‌های پویا با رویکرد داده‌محور و یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و مدل‌سازی سیستم‌های پویا با رویکرد داده‌محور و یادگیری ماشین

موضوع کلی: علوم مهندسی و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی سیستم‌های پویا
• 2. مفاهیم پایه‌ای معادلات دیفرانسیل
• 3. نمودارهای فاز و تحلیل کیفی
• 4. نقاط تعادل و پایداری
• 5. سیستم‌های خطی و مقادیر ویژه
• 6. سیستم‌های غیرخطی و جاذب‌ها
• 7. مقدمه‌ای بر نظریه آشوب
• 8. اثر پروانه‌ای و حساسیت به شرایط اولیه
• 9. سیستم‌های دینامیکی گسسته
• 10. نقشه‌های تکراری و دنباله‌ها
• 11. نظریه عدد و دینامیک
• 12. مقدمه‌ای بر یادگیری ماشین
• 13. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 14. پیش‌پردازش داده‌ها و مهندسی ویژگی
• 15. مدل‌های رگرسیون خطی
• 16. ارزیابی مدل‌های رگرسیون
• 17. مدل‌های طبقه‌بندی
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. درختان تصمیم و جنگل‌های تصادفی
• 20. ارزیابی مدل‌های طبقه‌بندی
• 21. خوشه‌بندی و الگوریتم K-Means
• 22. کاهش ابعاد: PCA
• 23. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 24. معماری شبکه‌های عصبی پرسپترون چندلایه
• 25. توابع فعال‌سازی
• 26. پس‌انتشار خطا (Backpropagation)
• 27. بهینه‌سازی در شبکه‌های عصبی
• 28. شبکه‌های عصبی کانولوشنی (CNN)
• 29. کاربرد CNN در پردازش تصویر
• 30. شبکه‌های عصبی بازگشتی (RNN)
• 31. کاربرد RNN در پردازش زبان طبیعی
• 32. حافظه بلند کوتاه مدت (LSTM)
• 33. شبکه‌های مولد تخاصمی (GAN)
• 34. کاربرد GAN در تولید داده
• 35. یادگیری تقویتی: مفاهیم پایه
• 36. عامل، محیط، پاداش
• 37. فرآیندهای تصمیم‌گیری مارکوف (MDP)
• 38. الگوریتم‌های یادگیری Q
• 39. یادگیری عمیق در سیستم‌های پویا
• 40. مدل‌سازی سیستم‌های پویا با شبکه‌های عصبی
• 41. پیش‌بینی سری‌های زمانی با یادگیری ماشین
• 42. تحلیل داده‌های سری زمانی
• 43. استخراج ویژگی از داده‌های سری زمانی
• 44. کاربرد یادگیری ماشین در کنترل سیستم‌های پویا
• 45. طراحی کنترل‌کننده‌های یادگیرنده
• 46. سیستم‌های توصیه‌گر مبتنی بر داده
• 47. تحلیل شبکه‌های پیچیده
• 48. مدل‌سازی شبکه‌های اجتماعی
• 49. امنیت سایبری و یادگیری ماشین
• 50. تشخیص ناهنجاری در داده‌ها
• 51. کاربرد یادگیری ماشین در پردازش سیگنال
• 52. فشرده‌سازی داده‌ها با یادگیری ماشین
• 53. بهینه‌سازی الگوریتم‌ها با یادگیری ماشین
• 54. اخلاق در هوش مصنوعی و یادگیری ماشین
• 55. حریم خصوصی داده‌ها و هوش مصنوعی
• 56. تفسیرپذیری مدل‌های یادگیری ماشین
• 57. مقدمه‌ای بر علم داده
• 58. ابزارها و زبان‌های علم داده (Python, R)
• 59. کتابخانه‌های علم داده (NumPy, Pandas, Scikit-learn)
• 60. مصورسازی داده‌ها (Matplotlib, Seaborn)
• 61. تحلیل اکتشافی داده‌ها (EDA)
• 62. مدل‌سازی آماری پیشرفته
• 63. مقدمه‌ای بر یادگیری عمیق
• 64. معماری‌های پیشرفته شبکه‌های عصبی
• 65. یادگیری انتقالی (Transfer Learning)
• 66. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 67. یادگیری خودنظارتی (Self-supervised Learning)
• 68. یادگیری تقویتی عمیق
• 69. کاربرد یادگیری ماشین در رباتیک
• 70. ناوبری ربات‌ها با یادگیری ماشین
• 71. درک محیطی برای ربات‌ها
• 72. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 73. مدل‌های زبانی
• 74. تحلیل احساسات
• 75. ترجمه ماشینی
• 76. سیستم‌های پرسش و پاسخ
• 77. کاربرد یادگیری ماشین در حوزه سلامت
• 78. تشخیص بیماری با یادگیری ماشین
• 79. کشف دارو با یادگیری ماشین
• 80. کاربرد یادگیری ماشین در حوزه مالی
• 81. پیش‌بینی بازار سهام
• 82. تشخیص تقلب مالی
• 83. کاربرد یادگیری ماشین در حوزه آموزش
• 84. سیستم‌های یادگیری تطبیقی
• 85. ارزیابی خودکار تکالیف
• 86. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 87. معماری‌های پردازش کلان داده (Hadoop, Spark)
• 88. پایگاه‌های داده NoSQL
• 89. تجزیه و تحلیل داده‌های جریانی
• 90. مقدمه‌ای بر محاسبات ابری (Cloud Computing)
• 91. خدمات IaaS, PaaS, SaaS
• 92. امنیت در محاسبات ابری
• 93. استقرار مدل‌های یادگیری ماشین در ابر
• 94. مقدمه‌ای بر اینترنت اشیاء (IoT)
• 95. جمع‌آوری داده از دستگاه‌های IoT
• 96. تحلیل داده‌های IoT
• 97. امنیت در اینترنت اشیاء
• 98. مقدمه‌ای بر بلاک‌چین و کاربردها
• 99. قراردادهای هوشمند
• 100. کاربرد بلاک‌چین در زنجیره تأمین