فلش‌کارت‌های آموزشی یادگیری نیمه‌نظارتی و کاربردهای آن

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری نیمه‌نظارتی و کاربردهای آن

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری نیمه نظارتی
• 2. تعریف یادگیری نیمه نظارتی
• 3. تفاوت با یادگیری نظارتی و بدون نظارت
• 4. اهمیت یادگیری نیمه نظارتی
• 5. سناریوهای کاربردی یادگیری نیمه نظارتی
• 6. چالش های یادگیری نیمه نظارتی
• 7. مروری بر الگوریتم های یادگیری نیمه نظارتی
• 8. نکات کلیدی در موفقیت یادگیری نیمه نظارتی
• 9. پیش نیازهای یادگیری نیمه نظارتی
• 10. مبانی آمار و احتمالات
• 11. مبانی یادگیری ماشین
• 12. مبانی جبر خطی
• 13. مبانی بهینه سازی
• 14. انواع داده در یادگیری نیمه نظارتی
• 15. داده های برچسب دار
• 16. داده های بدون برچسب
• 17. داده های نیمه برچسب دار
• 18. اهمیت کیفیت داده ها
• 19. روش های برچسب گذاری داده ها
• 20. برچسب گذاری دستی
• 21. برچسب گذاری خودکار
• 22. برچسب گذاری فعال (Active Learning)
• 23. روش های تولید داده برچسب دار
• 24. روش های تولید داده بدون برچسب
• 25. معرفی روش های اصلی یادگیری نیمه نظارتی
• 26. تکنیک های مبتنی بر Regularization
• 27. تکنیک های مبتنی بر مدل های احتمالی
• 28. تکنیک های مبتنی بر گراف
• 29. تکنیک های مبتنی بر Ensemble
• 30. تکنیک های مبتنی بر Self-training
• 31. تکنیک های مبتنی بر Co-training
• 32. تکنیک های مبتنی بر Generative Models
• 33. تکنیک های مبتنی بر Discriminative Models
• 34. تکنیک های مبتنی بر Graph-based Methods
• 35. تکنیک های مبتنی بر Semi-supervised SVM
• 36. تکنیک های مبتنی بر Semi-supervised KNN
• 37. تکنیک های مبتنی بر Label Propagation
• 38. تکنیک های مبتنی بر Transductive SVM
• 39. تکنیک های مبتنی بر Generative Adversarial Networks (GANs)
• 40. تکنیک های مبتنی بر Variational Autoencoders (VAEs)
• 41. روش Self-training
• 42. مفهوم Self-training
• 43. مراحل اجرای Self-training
• 44. انتخاب مدل پایه
• 45. تولید پیش بینی برای داده های بدون برچسب
• 46. انتخاب داده های با اطمینان بالا
• 47. آموزش مجدد مدل
• 48. معایب Self-training
• 49. راهکارهای بهبود Self-training
• 50. روش Co-training
• 51. مفهوم Co-training
• 52. الزامات Co-training (نمایان های مستقل)
• 53. مراحل اجرای Co-training
• 54. آموزش دو مدل مستقل
• 55. پیش بینی و انتخاب داده ها
• 56. آموزش مجدد مدل ها
• 57. معایب Co-training
• 58. راهکارهای بهبود Co-training
• 59. روش های مبتنی بر گراف (Graph-based Methods)
• 60. مفهوم فضای نمونه ای (Sample Space)
• 61. ساخت گراف داده ها
• 62. وزن دهی یال های گراف
• 63. الگوریتم های انتشار برچسب (Label Propagation)
• 64. الگوریتم های انتشار اطمینان (Confidence Propagation)
• 65. کاربرد گراف در یادگیری نیمه نظارتی
• 66. روش های مبتنی بر Regularization
• 67. مفهوم Regularization
• 68. Regularization در فضای ورودی (Input Regularization)
• 69. Regularization در فضای خروجی (Output Regularization)
• 70. Smoothness Assumption
• 71. Cluster Assumption
• 72. Manifold Assumption
• 73. کاربرد Regularization در یادگیری نیمه نظارتی
• 74. روش های مبتنی بر مدل های احتمالی
• 75. مدل های مولد (Generative Models)
• 76. مدل های تفکیکی (Discriminative Models)
• 77. تکنیک های Maximum Likelihood Estimation (MLE)
• 78. تکنیک های Expectation-Maximization (EM)
• 79. کاربرد مدل های احتمالی در یادگیری نیمه نظارتی
• 80. روش های مبتنی بر Ensemble
• 81. مفهوم Ensemble Learning
• 82. ترکیب مدل های نظارتی و بدون نظارت
• 83. تکنیک های Bagging و Boosting در یادگیری نیمه نظارتی
• 84. کاربرد Ensemble در یادگیری نیمه نظارتی
• 85. کاربردهای یادگیری نیمه نظارتی در حوزه های مختلف
• 86. پردازش زبان طبیعی (NLP)
• 87. تشخیص احساسات
• 88. ترجمه ماشینی
• 89. شناسایی موجودیت نام گذاری شده (NER)
• 90. خلاصه سازی متن
• 91. پردازش تصویر
• 92. تشخیص اشیاء
• 93. تقسیم بندی تصاویر (Image Segmentation)
• 94. تشخیص چهره
• 95. تشخیص بیماری از روی تصاویر پزشکی
• 96. تشخیص گفتار
• 97. شناسایی الگو
• 98. تشخیص ناهنجاری
• 99. سیستم های توصیه گر
• 100. شناسایی تقلب