دوره خواص مارکوف در مدل‌های احتمالی برای یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره خواص مارکوف در مدل‌های احتمالی برای یادگیری ماشین

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌های احتمالی در یادگیری ماشین
• 2. مفاهیم اساسی نظریه احتمال
• 3. متغیرهای تصادفی گسسته و پیوسته
• 4. توزیع‌های احتمالی مهم
• 5. قانون احتمالات کل و احتمالات شرطی
• 6. قضیه بیز و کاربردهای آن
• 7. مفهوم استقلال تصادفی
• 8. تابع چگالی احتمال و تابع توزیع تجمعی
• 9. امید ریاضی و واریانس
• 10. مقدمه‌ای بر شبکه‌های بیزی
• 11. نمایش گرافیکی مدل‌های احتمالی
• 12. وابستگی و استقلال شرطی در شبکه‌های بیزی
• 13. الگوریتم‌های استنتاج در شبکه‌های بیزی
• 14. یادگیری ساختار شبکه‌های بیزی
• 15. یادگیری پارامترهای شبکه‌های بیزی
• 16. کاربردهای شبکه‌های بیزی در سیستم‌های توصیه‌گر
• 17. شبکه‌های بیزی در تشخیص پزشکی
• 18. شبکه‌های بیزی در پردازش زبان طبیعی
• 19. مقدمه‌ای بر مدل‌های مارکوف مخفی (HMM)
• 20. کاربرد HMM در تشخیص گفتار
• 21. کاربرد HMM در پیش‌بینی توالی
• 22. مفهوم زنجیره مارکوف
• 23. انواع زنجیره‌های مارکوف
• 24. قضیه مارکوف و خواص آن
• 25. خواص مارکوف در زمینه‌های مختلف
• 26. خواص مارکوف موضعی (Local Markov Property)
• 27. خواص مارکوف سراسری (Global Markov Property)
• 28. خواص مارکوف شرطی (Conditional Markov Property)
• 29. ارتباط خواص مارکوف با شبکه‌های بیزی
• 30. ارتباط خواص مارکوف با مدل‌های گرافیکی
• 31. خواص مارکوف در مدل‌های گرافیکی جهت‌دار
• 32. خواص مارکوف در مدل‌های گرافیکی غیرجهت‌دار
• 33. گراف‌های مارکوف و خواص آن‌ها
• 34. نمایش خواص مارکوف با استفاده از گراف‌ها
• 35. نظریه اطلاعات و مفاهیم مرتبط
• 36. آنتروپی و اطلاعات متقابل
• 37. اطلاعات متقابل شرطی
• 38. پیوند اطلاعات متقابل با خواص مارکوف
• 39. کاربرد نظریه اطلاعات در انتخاب ویژگی
• 40. مدل‌های زبانی مبتنی بر خواص مارکوف
• 41. مدل‌های زبانی N-gram
• 42. ارتباط مدل‌های N-gram با خواص مارکوف
• 43. یادگیری مدل‌های زبانی N-gram
• 44. کاربرد مدل‌های زبانی N-gram در پردازش زبان طبیعی
• 45. مقدمه‌ای بر یادگیری ماشین بدون نظارت
• 46. خوشه‌بندی و الگوریتم‌های آن
• 47. تحلیل مولفه‌های اصلی (PCA)
• 48. تحلیل مولفه‌های مستقل (ICA)
• 49. مقدمه‌ای بر یادگیری ماشین با نظارت
• 50. طبقه‌بندی و رگرسیون
• 51. الگوریتم‌های طبقه‌بندی (مانند SVM، درخت تصمیم)
• 52. الگوریتم‌های رگرسیون (مانند رگرسیون خطی)
• 53. مقدمه‌ای بر یادگیری عمیق
• 54. شبکه‌های عصبی پرسپترون چندلایه
• 55. توابع فعال‌سازی در شبکه‌های عصبی
• 56. پس‌انتشار خطا (Backpropagation)
• 57. شبکه‌های عصبی کانولوشنال (CNN)
• 58. کاربرد CNN در بینایی ماشین
• 59. شبکه‌های عصبی بازگشتی (RNN)
• 60. کاربرد RNN در پردازش توالی
• 61. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 62. شبکه‌های واحد بازگشتی دروازه‌دار (GRU)
• 63. مقدمه‌ای بر یادگیری تقویتی
• 64. مفهوم عامل، محیط، پاداش
• 65. الگوریتم‌های یادگیری تقویتی (مانند Q-learning)
• 66. کاربرد یادگیری تقویتی در رباتیک
• 67. کاربرد یادگیری تقویتی در بازی‌ها
• 68. تکنیک‌های پیشرفته در یادگیری ماشین
• 69. یادگیری انتقالی (Transfer Learning)
• 70. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 71. یادگیری افزایشی (Incremental Learning)
• 72. مقدمه‌ای بر پردازش تصویر با یادگیری ماشین
• 73. استخراج ویژگی در پردازش تصویر
• 74. طبقه‌بندی تصاویر با استفاده از یادگیری ماشین
• 75. تشخیص اشیاء در تصاویر
• 76. مقدمه‌ای بر پردازش صوت با یادگیری ماشین
• 77. استخراج ویژگی در پردازش صوت
• 78. طبقه‌بندی صوت با استفاده از یادگیری ماشین
• 79. تشخیص گفتار با استفاده از یادگیری ماشین
• 80. مقدمه‌ای بر یادگیری ماشین در حوزه سلامت
• 81. تشخیص بیماری با استفاده از داده‌های پزشکی
• 82. پیش‌بینی روند بیماری
• 83. کاربرد یادگیری ماشین در کشف دارو
• 84. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 85. سوگیری در الگوریتم‌های یادگیری ماشین
• 86. شفافیت و قابلیت توضیح در هوش مصنوعی
• 87. مسئولیت‌پذیری در هوش مصنوعی
• 88. مباحث نوین در یادگیری ماشین
• 89. یادگیری فدرال (Federated Learning)
• 90. یادگیری توزیع‌شده (Distributed Learning)
• 91. هوش مصنوعی قابل اعتماد (Trustworthy AI)
• 92. ارزیابی مدل‌های یادگیری ماشین
• 93. معیارهای ارزیابی طبقه‌بندی
• 94. معیارهای ارزیابی رگرسیون
• 95. اعتبارسنجی متقابل (Cross-validation)
• 96. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 97. کاهش ابعاد و انتخاب ویژگی
• 98. روش‌های کاهش ابعاد
• 99. انتخاب ویژگی و اهمیت آن
• 100. کاربرد خواص مارکوف در کاهش ابعاد