دوره تصمیم‌گیری مبتنی بر داده با استفاده از هوش مصنوعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تصمیم‌گیری مبتنی بر داده با استفاده از هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر تصمیم‌گیری مبتنی بر داده
• 3. مفاهیم کلیدی در داده‌کاوی
• 4. جمع‌آوری و پیش‌پردازش داده‌ها
• 5. پاکسازی و نرمال‌سازی داده‌ها
• 6. شناسایی و مدیریت داده‌های گمشده
• 7. استخراج ویژگی و انتخاب ویژگی
• 8. مقدمه‌ای بر الگوریتم‌های یادگیری نظارت‌شده
• 9. رگرسیون خطی و چندجمله‌ای
• 10. رگرسیون لجستیک
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. درختان تصمیم
• 13. جنگل‌های تصادفی (Random Forests)
• 14. گرادیان بوستینگ (Gradient Boosting)
• 15. مقدمه‌ای بر الگوریتم‌های یادگیری بدون نظارت
• 16. خوشه‌بندی (Clustering)
• 17. K-Means Clustering
• 18. Hierarchical Clustering
• 19. DBSCAN
• 20. کاهش ابعاد
• 21. تحلیل مؤلفه‌های اصلی (PCA)
• 22. تحلیل تمایز خطی (LDA)
• 23. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 24. نورون‌های پرسپترون
• 25. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 26. توابع فعال‌سازی (Activation Functions)
• 27. پس‌انتشار خطا (Backpropagation)
• 28. شبکه‌های عصبی کانولوشنی (CNN)
• 29. کاربرد CNN در پردازش تصویر
• 30. شبکه‌های عصبی بازگشتی (RNN)
• 31. کاربرد RNN در پردازش زبان طبیعی
• 32. شبکه‌های عصبی ترنسفورمر (Transformers)
• 33. یادگیری عمیق (Deep Learning)
• 34. معماری‌های یادگیری عمیق
• 35. بهینه‌سازی مدل‌های یادگیری عمیق
• 36. تنظیم فراپارامترها (Hyperparameter Tuning)
• 37. اعتبارسنجی متقابل (Cross-Validation)
• 38. ارزیابی مدل‌های یادگیری ماشین
• 39. معیارهای ارزیابی برای رگرسیون
• 40. معیارهای ارزیابی برای طبقه‌بندی
• 41. مقدمه‌ای بر تصمیم‌گیری استراتژیک
• 42. چارچوب‌های تصمیم‌گیری مبتنی بر داده
• 43. تحلیل سناریو و شبیه‌سازی
• 44. مدل‌سازی پیش‌بینانه (Predictive Modeling)
• 45. مدل‌سازی توصیفی (Descriptive Modeling)
• 46. مدل‌سازی تجویزی (Prescriptive Modeling)
• 47. سیستم‌های توصیه‌گر (Recommender Systems)
• 48. فیلترینگ مشارکتی (Collaborative Filtering)
• 49. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 50. سیستم‌های توصیه‌گر ترکیبی (Hybrid Recommender Systems)
• 51. کاربرد هوش مصنوعی در تحلیل کسب‌وکار
• 52. بهینه‌سازی فرآیندهای کسب‌وکار با هوش مصنوعی
• 53. پیش‌بینی تقاضا و مدیریت موجودی
• 54. تحلیل احساسات مشتریان
• 55. مدیریت ریسک با هوش مصنوعی
• 56. تشخیص تقلب (Fraud Detection)
• 57. بهینه‌سازی قیمت‌گذاری
• 58. شخصی‌سازی تجربه مشتری
• 59. اتوماسیون وظایف تکراری (RPA)
• 60. اخلاق در هوش مصنوعی و تصمیم‌گیری
• 61. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 62. شفافیت و توضیح‌پذیری مدل‌ها (XAI)
• 63. سوگیری در داده‌ها و الگوریتم‌ها
• 64. حریم خصوصی داده‌ها و حفاظت از اطلاعات
• 65. امنیت داده‌ها در سیستم‌های هوش مصنوعی
• 66. مقررات و چارچوب‌های قانونی مربوط به هوش مصنوعی در ایران
• 67. کاربرد هوش مصنوعی در بخش سلامت (با رعایت پروتکل‌های وزارت بهداشت)
• 68. تصمیم‌گیری بالینی مبتنی بر داده
• 69. تشخیص بیماری‌ها با هوش مصنوعی
• 70. مدیریت پرونده الکترونیک سلامت
• 71. کاربرد هوش مصنوعی در آموزش (با رعایت چارچوب‌های رسمی)
• 72. شخصی‌سازی یادگیری
• 73. ارزیابی خودکار تکالیف
• 74. سیستم‌های پشتیبانی یادگیری
• 75. کاربرد هوش مصنوعی در صنعت (با رعایت مقررات)
• 76. بهینه‌سازی تولید
• 77. نگهداری و تعمیرات پیش‌بینانه
• 78. کنترل کیفیت خودکار
• 79. کاربرد هوش مصنوعی در حوزه مالی (با رعایت چارچوب بانکداری بدون ربا)
• 80. تحلیل ریسک اعتباری
• 81. مدیریت پرتفوی سرمایه‌گذاری
• 82. پیش‌بینی روندهای بازار
• 83. کاربرد هوش مصنوعی در کشاورزی (با رعایت چارچوب‌های ملی)
• 84. مدیریت بهینه منابع آبی
• 85. پیش‌بینی آفات و بیماری‌ها
• 86. بهینه‌سازی مصرف کود
• 87. کاربرد هوش مصنوعی در حمل‌ونقل (با رعایت قوانین راهنمایی و رانندگی)
• 88. بهینه‌سازی ترافیک
• 89. مدیریت ناوگان حمل‌ونقل
• 90. پیش‌بینی خرابی وسایل نقلیه
• 91. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 92. محیط، عامل و پاداش
• 93. الگوریتم‌های Q-Learning
• 94. Deep Q-Networks (DQN)
• 95. کاربرد یادگیری تقویتی در رباتیک
• 96. بهینه‌سازی تصمیم‌گیری در بازی‌ها
• 97. طراحی سیستم‌های پویا
• 98. تحلیل داده‌های سری زمانی
• 99. مدل‌های ARIMA
• 100. مدل‌های LSTM برای سری‌های زمانی