دوره مبانی هوش مصنوعی برای عموم: درک و کاربردها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی هوش مصنوعی برای عموم: درک و کاربردها

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی
• 2. تاریخچه هوش مصنوعی
• 3. انواع هوش مصنوعی
• 4. یادگیری ماشین چیست؟
• 5. یادگیری با نظارت
• 6. یادگیری بدون نظارت
• 7. یادگیری تقویتی
• 8. شبکه‌های عصبی مصنوعی
• 9. مفاهیم پایه شبکه‌های عصبی
• 10. لایه‌های شبکه‌های عصبی
• 11. توابع فعال‌سازی
• 12. پس‌انتشار خطا
• 13. یادگیری عمیق
• 14. شبکه‌های عصبی کانولوشنال (CNN)
• 15. کاربردهای CNN در بینایی ماشین
• 16. شبکه‌های عصبی بازگشتی (RNN)
• 17. کاربردهای RNN در پردازش زبان طبیعی
• 18. شبکه‌های عصبی ترنسفورمر
• 19. مدل‌های زبانی بزرگ
• 20. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 21. پیش‌پردازش متن
• 22. نمایش متن (Vectorization)
• 23. مدل‌سازی موضوعی (Topic Modeling)
• 24. تحلیل احساسات (Sentiment Analysis)
• 25. ترجمه ماشینی
• 26. تولید متن
• 27. تشخیص موجودیت نام‌دار (NER)
• 28. مقدمه‌ای بر بینایی ماشین
• 29. پردازش تصویر
• 30. تشخیص اشیاء
• 31. تقسیم‌بندی تصویر (Image Segmentation)
• 32. تولید تصویر
• 33. تشخیص چهره
• 34. مقدمه‌ای بر رباتیک
• 35. هدایت ربات
• 36. مسیریابی ربات
• 37. ربات‌های خودمختار
• 38. ربات‌های همکاری‌کننده (Cobots)
• 39. اخلاق در هوش مصنوعی
• 40. سوگیری در هوش مصنوعی
• 41. شفافیت و توضیح‌پذیری هوش مصنوعی
• 42. امنیت هوش مصنوعی
• 43. حریم خصوصی در هوش مصنوعی
• 44. نقش هوش مصنوعی در اقتصاد
• 45. هوش مصنوعی در صنعت
• 46. هوش مصنوعی در بهداشت و درمان
• 47. هوش مصنوعی در آموزش
• 48. هوش مصنوعی در کشاورزی
• 49. هوش مصنوعی در حمل و نقل
• 50. هوش مصنوعی در خدمات مالی
• 51. هوش مصنوعی در حکمرانی
• 52. هوش مصنوعی و آینده کار
• 53. هوش مصنوعی و جامعه
• 54. محدودیت‌های هوش مصنوعی
• 55. آینده هوش مصنوعی
• 56. هوش مصنوعی مولد (Generative AI)
• 57. مدل‌های انتشاری (Diffusion Models)
• 58. شبکه‌های مولد تخاصمی (GANs)
• 59. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 60. تنظیم دقیق مدل‌ها (Fine-tuning)
• 61. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 62. کاربردهای یادگیری تقویتی عمیق
• 63. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 64. فیلترینگ مشارکتی
• 65. فیلترینگ مبتنی بر محتوا
• 66. سیستم‌های توصیه‌گر ترکیبی
• 67. ارزیابی سیستم‌های توصیه‌گر
• 68. مقدمه‌ای بر داده‌کاوی
• 69. قوانین وابستگی (Association Rules)
• 70. خوشه‌بندی (Clustering)
• 71. طبقه‌بندی (Classification)
• 72. پیش‌بینی (Prediction)
• 73. مقدمه‌ای بر یادگیری نیمه‌نظارتی
• 74. یادگیری خودنظارتی (Self-supervised Learning)
• 75. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 76. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)
• 77. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 78. کاربردهای یادگیری فدرال
• 79. مقدمه‌ای بر پردازش سیگنال
• 80. مقدمه‌ای بر پردازش گفتار
• 81. تشخیص گفتار
• 82. تولید گفتار
• 83. مقدمه‌ای بر یادگیری ترکیبی (Ensemble Learning)
• 84. تقویت (Boosting)
• 85. کیسه‌بندی (Bagging)
• 86. تکمیل هوش مصنوعی و وظایف انسانی
• 87. هوش مصنوعی در حل مسائل پیچیده
• 88. هوش مصنوعی و خلاقیت
• 89. هوش مصنوعی و نوآوری
• 90. هوش مصنوعی و بهینه‌سازی فرایندها
• 91. هوش مصنوعی و مدیریت داده‌ها
• 92. هوش مصنوعی و امنیت سایبری
• 93. هوش مصنوعی و کشف داروها
• 94. هوش مصنوعی و پیش‌بینی بلایای طبیعی
• 95. هوش مصنوعی و توسعه پایدار
• 96. هوش مصنوعی و تعامل انسان و کامپیوتر
• 97. هوش مصنوعی و واقعیت مجازی/افزوده
• 98. هوش مصنوعی و شهر هوشمند
• 99. هوش مصنوعی و انرژی‌های پاک
• 100. هوش مصنوعی و آینده ارتباطات