دوره مبانی هوش مصنوعی با پیاده‌سازی الگوریتم‌های یادگیری ماشین از ابتدا همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی هوش مصنوعی با پیاده‌سازی الگوریتم‌های یادگیری ماشین از ابتدا

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی الگوریتم‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. اهمیت یادگیری ماشین در دنیای امروز
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت و تقویتی
• 4. مفاهیم پایه آمار و احتمال در یادگیری ماشین
• 5. جبر خطی برای یادگیری ماشین
• 6. مقدمه‌ای بر پایتون و کتابخانه‌های علمی
• 7. ساخت محیط توسعه مناسب
• 8. مرور کلی بر فرآیند یادگیری ماشین
• 9. جمع‌آوری و پیش‌پردازش داده‌ها
• 10. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 11. استانداردسازی و نرمال‌سازی داده‌ها
• 12. مهندسی ویژگی و انتخاب ویژگی
• 13. مقدمه‌ای بر رگرسیون خطی
• 14. پیاده‌سازی رگرسیون خطی از ابتدا
• 15. ارزیابی مدل‌های رگرسیون
• 16. مقدمه‌ای بر رگرسیون لجستیک
• 17. پیاده‌سازی رگرسیون لجستیک از ابتدا
• 18. ارزیابی مدل‌های طبقه‌بندی
• 19. ماشین بردار پشتیبان (SVM)
• 20. پیاده‌سازی SVM با هسته‌های مختلف
• 21. درخت تصمیم
• 22. پیاده‌سازی درخت تصمیم
• 23. قوانین انجمنی و الگوریتم Apriori
• 24. مقدمه‌ای بر خوشه‌بندی
• 25. الگوریتم K-Means
• 26. پیاده‌سازی K-Means
• 27. خوشه‌بندی سلسله مراتبی
• 28. الگوریتم DBSCAN
• 29. مقدمه‌ای بر کاهش ابعاد
• 30. تحلیل مولفه‌های اصلی (PCA)
• 31. پیاده‌سازی PCA
• 32. تحلیل تشابه خطی (LDA)
• 33. بهینه‌سازی مدل‌ها
• 34. گرادیان کاهشی
• 35. پیاده‌سازی گرادیان کاهشی
• 36. تنظیم فراپارامترها (Hyperparameter Tuning)
• 37. روش‌های اعتبارسنجی متقابل
• 38. مقدمه‌ای بر روش‌های یادگیری جمعی
• 39. Bagging و Random Forests
• 40. پیاده‌سازی Random Forests
• 41. Boosting و AdaBoost
• 42. پیاده‌سازی AdaBoost
• 43. Gradient Boosting Machines (GBM)
• 44. پیاده‌سازی GBM
• 45. XGBoost
• 46. LightGBM
• 47. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 48. نورون مصنوعی و توابع فعال‌سازی
• 49. ساختارهای اولیه شبکه‌های عصبی
• 50. پس‌انتشار خطا (Backpropagation)
• 51. پیاده‌سازی پس‌انتشار خطا
• 52. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 53. آموزش شبکه‌های عصبی عمیق
• 54. بهینه‌سازی در شبکه‌های عصبی عمیق
• 55. رگولاریزاسیون در شبکه‌های عصبی
• 56. کاهش نرخ یادگیری (Learning Rate Decay)
• 57. شبکه‌های عصبی کانولوشنی (CNN)
• 58. معماری‌های CNN برای پردازش تصویر
• 59. پیاده‌سازی CNN ساده
• 60. شبکه‌های عصبی بازگشتی (RNN)
• 61. مدل‌های LSTM و GRU
• 62. کاربرد RNN در پردازش زبان طبیعی
• 63. مقدمه‌ای بر یادگیری تقویتی
• 64. عناصر اصلی یادگیری تقویتی
• 65. الگوریتم‌های Q-Learning
• 66. پیاده‌سازی Q-Learning
• 67. Policy Gradients
• 68. مقدمه‌ای بر یادگیری عمیق
• 69. فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 70. نصب و راه‌اندازی فریم‌ورک‌ها
• 71. ساخت مدل‌های ساده با فریم‌ورک‌ها
• 72. آموزش مدل‌ها با فریم‌ورک‌ها
• 73. ارزیابی و تحلیل مدل‌های یادگیری عمیق
• 74. مدیریت داده‌ها در مقیاس بزرگ
• 75. کاربرد هوش مصنوعی در حوزه‌های مختلف
• 76. اخلاق در هوش مصنوعی
• 77. حریم خصوصی و امنیت داده‌ها
• 78. آینده هوش مصنوعی و یادگیری ماشین
• 79. تحلیل داده‌های سری زمانی
• 80. مدل‌های پیش‌بینی سری زمانی
• 81. پردازش زبان طبیعی (NLP)
• 82. تحلیل احساسات با NLP
• 83. تولید متن با مدل‌های زبانی
• 84. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 85. کاربردهای GAN
• 86. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 87. کاربرد یادگیری انتقالی در مسائل مختلف
• 88. بهبود عملکرد مدل‌ها با داده‌های بیشتر
• 89. تکنیک‌های Augmentation داده
• 90. بررسی مدل‌های از پیش آموزش‌دیده
• 91. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش‌دیده
• 92. معرفی کتابخانه‌های پیشرفته یادگیری ماشین
• 93. کاربرد یادگیری ماشین در بهینه‌سازی فرآیندها
• 94. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 95. الگوریتم‌های سیستم‌های توصیه‌گر
• 96. پیاده‌سازی ساده سیستم توصیه‌گر
• 97. کاربرد هوش مصنوعی در تحلیل کسب و کار
• 98. مقدمه‌ای بر یادگیری با نظارت محدود (Semi-Supervised Learning)
• 99. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 100. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-Task Learning)