دوره پیش‌نیازهای یادگیری نظارت شده و کاربردهای آن همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌نیازهای یادگیری نظارت شده و کاربردهای آن

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری نظارت شده (Supervised Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری نظارت شده
• 2. مفاهیم پایه یادگیری نظارت شده
• 3. انواع مسائل در یادگیری نظارت شده
• 4. داده‌های آموزشی و ارزیابی
• 5. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 6. مهندسی ویژگی: انتخاب و ایجاد ویژگی
• 7. رگرسیون خطی ساده
• 8. ارزیابی مدل‌های رگرسیون: MSE و R^2
• 9. رگرسیون خطی چندگانه
• 10. تنظیم‌گری در رگرسیون خطی: Ridge و Lasso
• 11. مقدمه‌ای بر طبقه‌بندی
• 12. رگرسیون لجستیک
• 13. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت و بازیابی
• 14. ماتریس درهم‌ریختگی
• 15. منحنی ROC و AUC
• 16. ماشین‌های بردار پشتیبان (SVM)
• 17. هسته‌های SVM
• 18. درختان تصمیم
• 19. قوانین انجمنی
• 20. یادگیری گروهی: Bagging و Boosting
• 21. جنگل‌های تصادفی
• 22. تقویت گرادیان (Gradient Boosting)
• 23. شبکه‌های عصبی مصنوعی
• 24. لایه ورودی و لایه‌های پنهان
• 25. تابع فعال‌سازی
• 26. پس‌انتشار خطا (Backpropagation)
• 27. بهینه‌سازها: SGD، Adam
• 28. تنظیم‌گری در شبکه‌های عصبی: Dropout
• 29. مقدمه‌ای بر یادگیری عمیق
• 30. شبکه‌های عصبی کانولوشنال (CNN)
• 31. لایه‌های کانولوشن و Pooling
• 32. کاربرد CNN در بینایی ماشین
• 33. شبکه‌های عصبی بازگشتی (RNN)
• 34. حافظه طولانی کوتاه مدت (LSTM)
• 35. کاربرد RNN در پردازش زبان طبیعی
• 36. مدل‌های زبانی
• 37. یادگیری بدون نظارت
• 38. خوشه‌بندی: K-Means
• 39. ارزیابی خوشه‌بندی: Silhouette Score
• 40. خوشه‌بندی سلسله مراتبی
• 41. تحلیل مولفه‌های اصلی (PCA)
• 42. کاهش ابعاد
• 43. قوانین انجمنی: Apriori
• 44. کاربرد قوانین انجمنی در تحلیل سبد خرید
• 45. یادگیری تقویتی
• 46. مفاهیم پایه یادگیری تقویتی
• 47. عامل، محیط، پاداش
• 48. سیاست و تابع ارزش
• 49. الگوریتم‌های Q-Learning
• 50. الگوریتم‌های SARSA
• 51. یادگیری تقویتی عمیق (DRL)
• 52. کاربرد DRL در بازی‌ها
• 53. کاربرد DRL در رباتیک
• 54. یادگیری نیمه‌نظارت شده
• 55. یادگیری خودنظارت شده
• 56. تولید داده مصنوعی
• 57. افزایش داده (Data Augmentation)
• 58. شبکه‌های مولد تخاصمی (GAN)
• 59. کاربرد GAN در تولید تصویر
• 60. مدل‌های ترنسفورمر
• 61. توجه (Attention Mechanism)
• 62. کاربرد ترنسفورمر در NLP
• 63. ترجمه ماشینی
• 64. خلاصه‌سازی متن
• 65. پرسش و پاسخ با متن
• 66. سیستم‌های توصیه‌گر
• 67. فیلترینگ مشارکتی
• 68. فیلترینگ مبتنی بر محتوا
• 69. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 70. ارزیابی سیستم‌های توصیه‌گر
• 71. پیاده‌سازی مدل‌های یادگیری نظارت شده
• 72. استفاده از کتابخانه‌های Python: Scikit-learn
• 73. استفاده از کتابخانه‌های Python: TensorFlow
• 74. استفاده از کتابخانه‌های Python: PyTorch
• 75. مدیریت چرخه عمر مدل
• 76. استقرار مدل
• 77. مانیتورینگ عملکرد مدل
• 78. بهبود مداوم مدل
• 79. اخلاق در هوش مصنوعی
• 80. سوگیری در داده‌ها و مدل‌ها
• 81. شفافیت و توضیح‌پذیری مدل‌ها
• 82. حریم خصوصی داده‌ها
• 83. امنیت مدل‌های هوش مصنوعی
• 84. قوانین و مقررات مربوط به هوش مصنوعی در ایران
• 85. کاربرد هوش مصنوعی در صنعت
• 86. کاربرد هوش مصنوعی در سلامت
• 87. کاربرد هوش مصنوعی در کشاورزی
• 88. کاربرد هوش مصنوعی در آموزش
• 89. کاربرد هوش مصنوعی در خدمات مالی
• 90. مباحث پیشرفته در یادگیری نظارت شده
• 91. یادگیری چند وظیفه‌ای
• 92. یادگیری انتقالی
• 93. یادگیری فدرال
• 94. بررسی مطالعات موردی یادگیری نظارت شده
• 95. چالش‌ها و آینده یادگیری نظارت شده