دوره مدل‌سازی پیش‌بینانه و یادگیری ماشین با MATLAB برای کاربردهای مهندسی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی پیش‌بینانه و یادگیری ماشین با MATLAB برای کاربردهای مهندسی

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی پیش‌بینانه و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 4. کاربردها در مهندسی
• 5. نصب و راه‌اندازی MATLAB برای یادگیری ماشین
• 6. آشنایی با محیط MATLAB
• 7. کار با داده‌ها در MATLAB
• 8. پیش‌پردازش داده‌ها
• 9. پاک‌سازی داده‌ها
• 10. مدیریت داده‌های گمشده
• 11. استانداردسازی و نرمال‌سازی داده‌ها
• 12. مهندسی ویژگی (Feature Engineering)
• 13. انتخاب ویژگی (Feature Selection)
• 14. روش‌های کاهش ابعاد
• 15. مقدمه‌ای بر رگرسیون خطی
• 16. مدل‌سازی رگرسیون خطی در MATLAB
• 17. ارزیابی مدل‌های رگرسیون
• 18. رگرسیون چندگانه
• 19. رگرسیون چندجمله‌ای
• 20. اعتبارسنجی متقابل (Cross-validation)
• 21. مقدمه‌ای بر طبقه‌بندی
• 22. رگرسیون لجستیک
• 23. پیاده‌سازی رگرسیون لجستیک در MATLAB
• 24. ماشین‌های بردار پشتیبان (SVM)
• 25. کاربرد SVM در طبقه‌بندی
• 26. درخت‌های تصمیم (Decision Trees)
• 27. جنگل‌های تصادفی (Random Forests)
• 28. مقدمه‌ای بر خوشه‌بندی
• 29. الگوریتم K-Means
• 30. پیاده‌سازی K-Means در MATLAB
• 31. خوشه‌بندی سلسله‌مراتبی
• 32. ارزیابی مدل‌های خوشه‌بندی
• 33. شبکه‌های عصبی مصنوعی (ANN)
• 34. مبانی شبکه‌های عصبی
• 35. نورون‌های پرسپترون
• 36. شبکه‌های پیش‌خور (Feedforward Networks)
• 37. آموزش شبکه‌های عصبی
• 38. پس‌انتشار خطا (Backpropagation)
• 39. شبکه‌های عصبی کانولوشنال (CNN)
• 40. کاربرد CNN در پردازش تصویر
• 41. شبکه‌های عصبی بازگشتی (RNN)
• 42. کاربرد RNN در پردازش توالی
• 43. یادگیری عمیق (Deep Learning)
• 44. مقدمه‌ای بر یادگیری عمیق
• 45. چارچوب‌های یادگیری عمیق در MATLAB
• 46. استفاده از Deep Learning Toolbox
• 47. شبکه‌های مولد تخاصمی (GANs)
• 48. مقدمه‌ای بر یادگیری تقویتی
• 49. عوامل و محیط در یادگیری تقویتی
• 50. یادگیری Q
• 51. یادگیری مبتنی بر سیاست
• 52. یادگیری عمیق تقویتی
• 53. کاربرد یادگیری تقویتی در بهینه‌سازی
• 54. مدل‌سازی پیش‌بینانه برای سری‌های زمانی
• 55. مدل‌های ARIMA
• 56. پیاده‌سازی مدل‌های سری زمانی در MATLAB
• 57. پیش‌بینی تقاضا
• 58. پیش‌بینی مصرف انرژی
• 59. مدل‌سازی پیش‌بینانه در سیستم‌های توصیه‌گر
• 60. فیلترینگ مشارکتی
• 61. فیلترینگ مبتنی بر محتوا
• 62. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 63. کاربردها در بهینه‌سازی فرآیندهای صنعتی
• 64. مدل‌سازی پیش‌بینانه برای نگهداری و تعمیرات
• 65. تشخیص ناهنجاری (Anomaly Detection)
• 66. الگوریتم‌های تشخیص ناهنجاری
• 67. کاربرد در امنیت سایبری
• 68. مدل‌سازی پیش‌بینانه برای تحلیل ریسک
• 69. مدل‌سازی ریسک اعتباری
• 70. مدل‌سازی ریسک عملیاتی
• 71. مدل‌سازی پیش‌بینانه در رباتیک
• 72. کنترل تطبیقی
• 73. بهینه‌سازی مسیر ربات
• 74. مدل‌سازی پیش‌بینانه در سیستم‌های خودران
• 75. تشخیص موانع
• 76. پیش‌بینی رفتار سایر وسایل نقلیه
• 77. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 78. تحلیل احساسات
• 79. مدل‌سازی موضوعی
• 80. مقدمه‌ای بر بینایی ماشین
• 81. تشخیص اشیاء
• 82. تقسیم‌بندی تصویر
• 83. اخلاق در هوش مصنوعی
• 84. سوگیری در داده‌ها و مدل‌ها
• 85. شفافیت و تفسیرپذیری مدل‌ها
• 86. امنیت مدل‌های یادگیری ماشین
• 87. جمعیت‌شناسی و توسعه پایدار
• 88. کاربرد مدل‌سازی پیش‌بینانه در برنامه‌ریزی شهری
• 89. مدل‌سازی پیش‌بینانه در مدیریت منابع آب
• 90. مدل‌سازی پیش‌بینانه در کشاورزی هوشمند
• 91. مدل‌سازی پیش‌بینانه در بهداشت و درمان
• 92. پیش‌بینی شیوع بیماری‌ها
• 93. تشخیص پزشکی با یادگیری ماشین
• 94. مدل‌سازی پیش‌بینانه در مدیریت بحران
• 95. پیش‌بینی بلایای طبیعی
• 96. مدیریت واکنش به بحران
• 97. کاربردها در هوشمندسازی صنایع (Industry 4.0)
• 98. تحلیل داده‌های سنسورها
• 99. بهینه‌سازی زنجیره تأمین
• 100. پیشرفت‌های نوین در یادگیری ماشین