فلش‌کارت‌های آموزشی مبانی فنی AI قابل اعتماد

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مبانی فنی AI قابل اعتماد

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: هوش مصنوعی قابل اعتماد (Trustworthy AI)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر هوش مصنوعی قابل اعتماد
• 2. تعریف هوش مصنوعی قابل اعتماد
• 3. اهمیت هوش مصنوعی قابل اعتماد
• 4. اصول کلیدی هوش مصنوعی قابل اعتماد
• 5. چالش های هوش مصنوعی قابل اعتماد
• 6. معماری ها و چارچوب های هوش مصنوعی قابل اعتماد
• 7. مروری بر یادگیری ماشین
• 8. انواع یادگیری ماشین
• 9. مبانی شبکه های عصبی
• 10. شبکه های عصبی عمیق
• 11. یادگیری تقویتی
• 12. یادگیری بدون نظارت
• 13. یادگیری نیمه نظارتی
• 14. مبانی پردازش زبان طبیعی
• 15. مبانی بینایی ماشین
• 16. مبانی استدلال و برنامه ریزی
• 17. مبانی سیستم های خبره
• 18. مبانی رباتیک
• 19. مبانی الگوریتم ها و ساختار داده ها
• 20. مبانی آمار و احتمالات
• 21. مبانی جبر خطی
• 22. مبانی حساب دیفرانسیل و انتگرال
• 23. مبانی بهینه سازی
• 24. مبانی نظریه اطلاعات
• 25. مبانی نظریه بازی ها
• 26. مبانی منطق
• 27. مبانی محاسبات
• 28. مبانی پیچیدگی محاسباتی
• 29. مبانی علوم کامپیوتر
• 30. مبانی مهندسی نرم افزار
• 31. مبانی مهندسی سیستم ها
• 32. مبانی مهندسی داده
• 33. مبانی مهندسی یادگیری ماشین
• 34. مبانی یادگیری ماشین قابل تفسیر (XAI)
• 35. مبانی توضیح پذیری در XAI
• 36. مبانی تفسیرپذیری مدل های جعبه سیاه
• 37. تکنیک های XAI: LIME
• 38. تکنیک های XAI: SHAP
• 39. تکنیک های XAI: Integrated Gradients
• 40. تکنیک های XAI: Anchor Explanations
• 41. تکنیک های XAI: Permutation Feature Importance
• 42. تکنیک های XAI: Partial Dependence Plots
• 43. تکنیک های XAI: Decision Tree Visualization
• 44. تکنیک های XAI: Rule Extraction
• 45. مبانی شفافیت در هوش مصنوعی
• 46. مبانی قابلیت ردیابی در هوش مصنوعی
• 47. مبانی قابلیت حسابرسی در هوش مصنوعی
• 48. مبانی قابلیت توضیح در هوش مصنوعی
• 49. مبانی قابلیت تفسیر در هوش مصنوعی
• 50. مبانی قابلیت درک در هوش مصنوعی
• 51. مبانی قابلیت اطمینان در هوش مصنوعی
• 52. مبانی استحکام در هوش مصنوعی
• 53. مبانی امنیت در هوش مصنوعی
• 54. مبانی حفظ حریم خصوصی در هوش مصنوعی
• 55. مبانی انصاف در هوش مصنوعی
• 56. مبانی عدم تبعیض در هوش مصنوعی
• 57. مبانی مسئولیت پذیری در هوش مصنوعی
• 58. مبانی پاسخگویی در هوش مصنوعی
• 59. مبانی نظارت بر هوش مصنوعی
• 60. مبانی ارزیابی ریسک در هوش مصنوعی
• 61. مبانی مدیریت ریسک در هوش مصنوعی
• 62. مبانی انطباق با قوانین در هوش مصنوعی
• 63. مبانی اخلاق در هوش مصنوعی
• 64. مبانی تعصب در داده ها
• 65. مبانی شناسایی و کاهش تعصب
• 66. مبانی تعصب در الگوریتم ها
• 67. مبانی شناسایی و کاهش تعصب الگوریتمی
• 68. مبانی داده های نادرست
• 69. مبانی شناسایی و اصلاح داده های نادرست
• 70. مبانی داده های ناقص
• 71. مبانی مدیریت داده های ناقص
• 72. مبانی داده های متناقض
• 73. مبانی مدیریت داده های متناقض
• 74. مبانی مقیاس پذیری در هوش مصنوعی
• 75. مبانی کارایی در هوش مصنوعی
• 76. مبانی قابلیت اطمینان در زمان اجرا
• 77. مبانی تحمل خطا در هوش مصنوعی
• 78. مبانی بازیابی از خطا در هوش مصنوعی
• 79. مبانی به روز رسانی و نگهداری مدل های هوش مصنوعی
• 80. مبانی نظارت بر عملکرد مدل در طول زمان
• 81. مبانی تشخیص انحراف (Drift Detection)
• 82. مبانی تشخیص تغییر مفهوم (Concept Drift)
• 83. مبانی تشخیص تغییر داده (Data Drift)
• 84. مبانی بازآموزی مدل
• 85. مبانی ارزیابی و اعتبارسنجی مدل ها
• 86. مبانی معیارهای ارزیابی مدل
• 87. مبانی تکنیک های اعتبارسنجی متقابل
• 88. مبانی اعتبارسنجی سری زمانی
• 89. مبانی اعتبارسنجی مبتنی بر داده های جدید
• 90. مبانی تست های استحکام مدل
• 91. مبانی حملات تهاجمی (Adversarial Attacks)
• 92. مبانی دفاع در برابر حملات تهاجمی
• 93. مبانی آموزش تهاجمی (Adversarial Training)
• 94. مبانی حفظ حریم خصوصی تفاضلی (Differential Privacy)
• 95. مبانی رمزنگاری همومورفیک
• 96. مبانی یادگیری فدرال شده (Federated Learning)
• 97. مبانی تکنیک های ناشناس سازی داده ها
• 98. مبانی کنترل دسترسی به داده ها
• 99. مبانی اخلاق در تصمیم گیری های هوش مصنوعی
• 100. مبانی پیامدهای اجتماعی هوش مصنوعی