دوره استخراج قواعد و توضیحات از داده‌ها با رویکرد یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استخراج قواعد و توضیحات از داده‌ها با رویکرد یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری نظارت‌شده و استنتاج الگو

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استخراج قواعد از داده‌ها
• 2. مبانی یادگیری ماشین و استنتاج الگو
• 3. انواع داده‌ها و پیش‌پردازش آن‌ها
• 4. مفهوم توابع و توضیحات تابعی
• 5. یادگیری نظارت‌شده: اصول و مفاهیم
• 6. مروری بر الگوریتم‌های یادگیری نظارت‌شده
• 7. مدل‌های خطی برای طبقه‌بندی
• 8. رگرسیون خطی و کاربردهای آن
• 9. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 10. ماشین‌های بردار پشتیبان (SVM)
• 11. هسته‌های (Kernels) در SVM
• 12. درختان تصمیم برای استنتاج الگو
• 13. قوانین انجمنی (Association Rules)
• 14. الگوریتم Apriori برای کشف قواعد انجمنی
• 15. مقدمه‌ای بر یادگیری بدون نظارت
• 16. خوشه‌بندی (Clustering) و الگوریتم‌های آن
• 17. K-Means برای خوشه‌بندی داده‌ها
• 18. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 19. کاهش ابعاد (Dimensionality Reduction)
• 20. تحلیل مولفه‌های اصلی (PCA)
• 21. یادگیری بازگشتی (Instance-Based Learning)
• 22. نزدیک‌ترین همسایگان (K-Nearest Neighbors)
• 23. معرفی شبکه‌های عصبی مصنوعی
• 24. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 25. آموزش شبکه‌های عصبی: پس‌انتشار خطا (Backpropagation)
• 26. نکات عملی در آموزش شبکه‌های عصبی
• 27. اعتبارسنجی مدل‌ها و جلوگیری از بیش‌برازش (Overfitting)
• 28. تکنیک‌های تنظیم فراپارامترها (Hyperparameter Tuning)
• 29. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 30. معیارهای ارزیابی مدل‌های رگرسیون
• 31. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 32. نمایش متنی داده‌ها برای یادگیری ماشین
• 33. مدل‌های زبانی آماری
• 34. مدل‌های گرافیکی احتمالی
• 35. استنتاج در مدل‌های گرافیکی
• 36. یادگیری از داده‌های نامتوازن (Imbalanced Data)
• 37. تکنیک‌های نمونه‌برداری برای داده‌های نامتوازن
• 38. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 39. عناصر اصلی یادگیری تقویتی
• 40. الگوریتم‌های یادگیری تقویتی پایه
• 41. کاربرد یادگیری تقویتی در رباتیک
• 42. معرفی یادگیری عمیق (Deep Learning)
• 43. شبکه‌های عصبی کانولوشنی (CNN)
• 44. کاربرد CNN در پردازش تصویر
• 45. شبکه‌های عصبی بازگشتی (RNN)
• 46. کاربرد RNN در پردازش دنباله‌ها
• 47. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 48. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 49. مفاهیم اساسی در یادگیری عمیق
• 50. معماری‌های پیشرفته در یادگیری عمیق
• 51. شبکه‌های مولد تخاصمی (GANs)
• 52. کاربرد GANs در تولید داده
• 53. مباحث پیشرفته در استخراج الگو
• 54. یادگیری فعال (Active Learning)
• 55. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 56. یادگیری انتقالی (Transfer Learning)
• 57. کاربرد یادگیری انتقالی در حوزه‌های مختلف
• 58. مقدمه‌ای بر تحلیل داده‌های بزرگ (Big Data)
• 59. ابزارها و چارچوب‌های پردازش داده‌های بزرگ
• 60. معماری سیستم‌های توزیع‌شده برای یادگیری ماشین
• 61. ملاحظات اخلاقی در هوش مصنوعی
• 62. تفسیرپذیری مدل‌های هوش مصنوعی
• 63. سوگیری (Bias) در داده‌ها و مدل‌ها
• 64. کاهش سوگیری در مدل‌های یادگیری ماشین
• 65. حریم خصوصی و امنیت در یادگیری ماشین
• 66. کاربرد هوش مصنوعی در صنعت
• 67. کاربرد هوش مصنوعی در پزشکی
• 68. کاربرد هوش مصنوعی در امور مالی
• 69. کاربرد هوش مصنوعی در حمل و نقل
• 70. کاربرد هوش مصنوعی در آموزش
• 71. کاربرد هوش مصنوعی در کشف علمی
• 72. مبانی الگوریتم‌های بهینه‌سازی
• 73. روش‌های گرادیان کاهشی (Gradient Descent)
• 74. بهینه‌سازی با استفاده از دسته‌های کوچک (Mini-batch)
• 75. نکات کاربردی در بهینه‌سازی مدل‌ها
• 76. مقدمه‌ای بر استنتاج آماری
• 77. مفاهیم احتمال و توزیع‌های آماری
• 78. آزمون فرض آماری
• 79. تحلیل واریانس (ANOVA)
• 80. مقدمه‌ای بر مدل‌های سری زمانی
• 81. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 82. کاربرد مدل‌های سری زمانی در اقتصاد
• 83. مدل‌های مارکوف پنهان (HMM)
• 84. کاربرد HMM در شناسایی الگو
• 85. مبانی یادگیری جمعی (Ensemble Learning)
• 86. روش Bagging و Random Forests
• 87. روش Boosting و AdaBoost
• 88. روش Boosting و Gradient Boosting Machines
• 89. استفاده از مدل‌های ترکیبی (Hybrid Models)
• 90. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 91. تکنیک‌های پاکسازی و آماده‌سازی داده
• 92. کشف قواعد و الگوهای پنهان
• 93. ارزیابی کیفیت داده‌ها
• 94. مقدمه‌ای بر سیستم‌های توصیه‌گر (Recommender Systems)
• 95. فیلترینگ مشارکتی (Collaborative Filtering)
• 96. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 97. معیارهای ارزیابی سیستم‌های توصیه‌گر
• 98. کاربرد یادگیری ماشین در امنیت سایبری
• 99. شناسایی نفوذ و بدافزار
• 100. مدل‌سازی رفتار کاربران