فلش‌کارت‌های آموزشی درک عمیق الگوریتم‌های یادگیری ماشین و پیاده‌سازی کاربردی آن‌ها

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب درک عمیق الگوریتم‌های یادگیری ماشین و پیاده‌سازی کاربردی آن‌ها

موضوع کلی: مبانی، الگوریتم‌ها و کاربردهای یادگیری ماشین

موضوع میانی: یادگیری ماشین پیشرفته

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مفاهیم بنیادین یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مدل‌های آماری در یادگیری ماشین
• 8. احتمال و آمار برای یادگیری ماشین
• 9. مفاهیم پایه احتمال
• 10. متغیرهای تصادفی
• 11. توزیع‌های احتمال
• 12. قضیه بیز
• 13. استنتاج بیزی
• 14. رگرسیون خطی
• 15. رگرسیون چندگانه
• 16. مدل‌های خطی تعمیم یافته
• 17. توابع فعال‌سازی
• 18. رگرسیون لجستیک
• 19. طبقه‌بندی با رگرسیون لجستیک
• 20. حداکثر درستنمایی
• 21. روش‌های بهینه‌سازی
• 22. گرادیان کاهشی
• 23. مفاهیم بهینه‌سازی
• 24. انواع گرادیان کاهشی
• 25. بهینه‌سازی تصادفی
• 26. بهینه‌سازی دسته‌ای
• 27. بهینه‌سازی مینی-دسته‌ای
• 28. تنظیم نرخ یادگیری
• 29. نظم‌دهی (Regularization)
• 30. L1 و L2 Regularization
• 31. تکنیک‌های کاهش بیش‌برازش
• 32. حذف خودکار ویژگی‌ها
• 33. مدل‌های درخت تصمیم
• 34. درختان تصمیم برای رگرسیون
• 35. درختان تصمیم برای طبقه‌بندی
• 36. معیار ناخالصی (Impurity Measures)
• 37. اطلاعات متقابل (Information Gain)
• 38. شاخص جینی (Gini Index)
• 39. تقسیم‌بندی بهینه در درختان تصمیم
• 40. روش‌های جوانه‌زنی (Pruning)
• 41. مجموعه‌های تقویتی (Ensemble Methods)
• 42. تقویت گرادیان (Gradient Boosting)
• 43. ماشین‌های بردار پشتیبان (SVM)
• 44. هسته‌های SVM (Kernel Trick)
• 45. SVM برای طبقه‌بندی
• 46. SVM برای رگرسیون
• 47. شبکه‌های عصبی مصنوعی
• 48. مقدمه‌ای بر نورون مصنوعی
• 49. توابع فعال‌سازی در شبکه‌های عصبی
• 50. شبکه‌های عصبی پیشخور (Feedforward Networks)
• 51. پس‌انتشار خطا (Backpropagation)
• 52. بهینه‌سازی شبکه‌های عصبی
• 53. شبکه‌های عصبی کانولوشنال (CNN)
• 54. لایه‌های کانولوشنال
• 55. لایه‌های پولینگ (Pooling Layers)
• 56. معماری‌های CNN
• 57. کاربرد CNN در بینایی ماشین
• 58. شبکه‌های عصبی بازگشتی (RNN)
• 59. حافظه در RNN
• 60. شبکه‌های LSTM و GRU
• 61. کاربرد RNN در پردازش زبان طبیعی
• 62. یادگیری بدون نظارت
• 63. خوشه‌بندی (Clustering)
• 64. K-Means Clustering
• 65. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 66. خوشه‌بندی مبتنی بر چگالی (DBSCAN)
• 67. کاهش ابعاد (Dimensionality Reduction)
• 68. تحلیل مؤلفه‌های اصلی (PCA)
• 69. تحلیل مؤلفه‌های مستقل (ICA)
• 70. توزیع توده‌ای غیرخطی (t-SNE)
• 71. مدل‌های مخلوط گوسی (Gaussian Mixture Models)
• 72. یادگیری تقویتی
• 73. مفاهیم پایه یادگیری تقویتی
• 74. عامل و محیط
• 75. حالت، عمل و پاداش
• 76. سیاست (Policy)
• 77. تابع ارزش (Value Function)
• 78. معادله بلمن (Bellman Equation)
• 79. یادگیری Q (Q-Learning)
• 80. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 81. مدل‌های مبتنی بر مدل (Model-Based RL)
• 82. مدل‌های بدون مدل (Model-Free RL)
• 83. الگوریتم‌های Policy Gradient
• 84. روش‌های Actor-Critic
• 85. ارزیابی مدل‌ها
• 86. معیارهای ارزیابی برای رگرسیون
• 87. معیارهای ارزیابی برای طبقه‌بندی
• 88. دقت (Accuracy)
• 89. دقت و بازیابی (Precision and Recall)
• 90. امتیاز F1 (F1-Score)
• 91. منحنی ROC و AUC
• 92. اعتبارسنجی متقابل (Cross-Validation)
• 93. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 94. جستجوی شبکه‌ای (Grid Search)
• 95. جستجوی تصادفی (Random Search)
• 96. بهینه‌سازی بیزی (Bayesian Optimization)
• 97. پیاده‌سازی کاربردی
• 98. مقدمه‌ای بر کتابخانه‌های یادگیری ماشین
• 99. Scikit-learn
• 100. TensorFlow