دوره هوش مصنوعی قابل تفسیر با پایتون: درک مدل‌ها و پیش‌بینی‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی قابل تفسیر با پایتون: درک مدل‌ها و پیش‌بینی‌ها

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: هوش مصنوعی قابل تفسیر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مقدمه‌ای بر پایتون برای یادگیری ماشین
• 5. کتابخانه‌های کلیدی پایتون: NumPy, Pandas, Matplotlib
• 6. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی
• 7. مهندسی ویژگی: انتخاب و ساخت ویژگی‌ها
• 8. مدل‌های یادگیری ماشین خطی
• 9. رگرسیون خطی
• 10. طبقه‌بندی خطی: رگرسیون لجستیک
• 11. مبانی ارزیابی مدل
• 12. معیارهای ارزیابی برای رگرسیون
• 13. معیارهای ارزیابی برای طبقه‌بندی
• 14. مقدمه‌ای بر هوش مصنوعی قابل تفسیر (XAI)
• 15. چرا XAI مهم است؟
• 16. چالش‌های تفسیرپذیری در مدل‌های پیچیده
• 17. مقدمه‌ای بر تکنیک‌های XAI
• 18. مفهوم "جعبه سیاه" در یادگیری ماشین
• 19. تکنیک‌های تفسیرپذیری پس از آموزش (Post-hoc Explanations)
• 20. تکنیک‌های تفسیرپذیری در طول آموزش (Intrinsic Interpretability)
• 21. مدل‌های تفسیرپذیر ذاتی: درختان تصمیم
• 22. تفسیر درختان تصمیم
• 23. مدل‌های تفسیرپذیر ذاتی: رگرسیون خطی و لجستیک
• 24. تفسیر رگرسیون خطی و لجستیک
• 25. مقدمه‌ای بر LIME (Local Interpretable Model-agnostic Explanations)
• 26. نحوه عملکرد LIME
• 27. کاربرد LIME برای رگرسیون
• 28. کاربرد LIME برای طبقه‌بندی
• 29. مقدمه‌ای بر SHAP (SHapley Additive exPlanations)
• 30. مفهوم ارزش شاپلی
• 31. محاسبه مقادیر SHAP
• 32. تفسیر مقادیر SHAP
• 33. نمودارهای SHAP: اهمیّت ویژگی سراسری
• 34. نمودارهای SHAP: اهمیّت ویژگی محلی
• 35. نمودارهای SHAP: اثرات متقابل ویژگی‌ها
• 36. نمودارهای SHAP: نمودار وابستگی
• 37. کاربرد SHAP در مدل‌های مختلف
• 38. SHAP برای درختان تصمیم
• 39. SHAP برای مدل‌های خطی
• 40. SHAP برای شبکه‌های عصبی
• 41. مقدمه‌ای بر Perplexity در مدل‌های زبانی
• 42. پراکندگی در مدل‌های زبانی
• 43. مقدمه‌ای بر تکنیک‌های تفسیرپذیری برای شبکه‌های عصبی
• 44. نقشه‌برداری فعال‌سازی (Activation Mapping)
• 45. نقشه‌برداری توجه (Attention Mapping)
• 46. تکنیک‌های مبتنی بر گرادیان برای تفسیر شبکه‌های عصبی
• 47. Integrated Gradients
• 48. Grad-CAM
• 49. DeepLIFT
• 50. مقدمه‌ای بر تکنیک‌های کاهش ابعاد و بصری‌سازی
• 51. تحلیل مؤلفه‌های اصلی (PCA)
• 52. t-Distributed Stochastic Neighbor Embedding (t-SNE)
• 53. Uniform Manifold Approximation and Projection (UMAP)
• 54. بصری‌سازی داده‌ها برای درک بهتر
• 55. بصری‌سازی نتایج مدل‌ها
• 56. مقدمه‌ای بر Bias و Fairness در هوش مصنوعی
• 57. شناسایی Bias در داده‌ها و مدل‌ها
• 58. تکنیک‌های کاهش Bias
• 59. مفهوم Fairness در هوش مصنوعی
• 60. معیارهای Fairness
• 61. تکنیک‌های حفظ Fairness
• 62. مقدمه‌ای بر Robustness و Adversarial Attacks
• 63. حملات تخاصمی (Adversarial Attacks)
• 64. تکنیک‌های دفاع در برابر حملات تخاصمی
• 65. مفهوم Robustness در مدل‌های یادگیری ماشین
• 66. ارزیابی Robustness مدل‌ها
• 67. مقدمه‌ای بر MLOps (Machine Learning Operations)
• 68. فرایندهای MLOps
• 69. تست و اعتبارسنجی مدل‌ها در MLOps
• 70. نظارت بر مدل‌های مستقر شده
• 71. مدیریت چرخه عمر مدل
• 72. مقدمه‌ای بر کاربردهای عملی XAI
• 73. XAI در حوزه سلامت
• 74. XAI در حوزه مالی
• 75. XAI در حوزه حقوقی
• 76. XAI در حوزه خدمات مشتری
• 77. XAI در حوزه خودروسازی
• 78. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 79. مسئولیت‌پذیری در هوش مصنوعی
• 80. شفافیت و پاسخگویی
• 81. حریم خصوصی و امنیت داده‌ها
• 82. تأثیرات اجتماعی هوش مصنوعی
• 83. چارچوب‌های اخلاقی برای توسعه هوش مصنوعی
• 84. مقدمه‌ای بر آینده XAI
• 85. روندهای تحقیقاتی جدید در XAI
• 86. توسعه ابزارهای XAI پیشرفته‌تر
• 87. ادغام XAI با سایر حوزه‌های هوش مصنوعی
• 88. چالش‌های پیش رو در XAI
• 89. نقش XAI در توسعه هوش مصنوعی مسئولانه
• 90. پروژه نهایی: پیاده‌سازی XAI برای یک مدل یادگیری ماشین
• 91. انتخاب مدل و مجموعه داده
• 92. اعمال تکنیک‌های LIME و SHAP
• 93. تحلیل و تفسیر نتایج
• 94. ارائه گزارش و یافته‌ها
• 95. جمع‌بندی و نتیجه‌گیری
• 96. مرور کلی بر مفاهیم آموخته شده
• 97. مسیرهای پیش رو برای یادگیری بیشتر
• 98. منابع تکمیلی و مطالعات بیشتر
• 99. کاربرد عملی آموخته‌ها در پروژه‌های آتی
• 100. توسعه تفکر انتقادی در مورد مدل‌های هوش مصنوعی