فلش‌کارت‌های آموزشی درک شهودی هوش مصنوعی قابل تفسیر: از مبانی تا کاربرد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره درک شهودی هوش مصنوعی قابل تفسیر: از مبانی تا کاربرد

موضوع کلی: برنامه‌نویسی کامپیوترهای شخصی

موضوع میانی: Explainable AI (XAI)

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر هوش مصنوعی قابل تفسیر
• 2. فصل ۲: چرا به هوش مصنوعی قابل تفسیر نیاز داریم؟
• 3. فصل ۳: تاریخچه مختصر تفسیرپذیری در یادگیری ماشین
• 4. فصل ۴: تعریف و ابعاد تفسیرپذیری
• 5. فصل ۵: انواع مدل‌های هوش مصنوعی (جعبه سیاه در مقابل جعبه شفاف)
• 6. فصل ۶: مبانی یادگیری ماشین: رگرسیون خطی
• 7. فصل ۷: مبانی یادگیری ماشین: درختان تصمیم
• 8. فصل ۸: مبانی یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
• 9. فصل ۹: مبانی یادگیری ماشین: شبکه‌های عصبی مصنوعی
• 10. فصل ۱۰: معیارهای ارزیابی مدل‌های هوش مصنوعی
• 11. فصل ۱۱: چالش‌های تفسیرپذیری در مدل‌های پیچیده
• 12. فصل ۱۲: رویکردهای کلی به تفسیرپذیری
• 13. فصل ۱۳: روش‌های پیش از مدل (Pre-model)
• 14. فصل ۱۴: روش‌های درون مدل (Intrinsic)
• 15. فصل ۱۵: روش‌های پس از مدل (Post-hoc)
• 16. فصل ۱۶: تفسیرپذیری برای مدل‌های خطی
• 17. فصل ۱۷: تفسیرپذیری برای درختان تصمیم
• 18. فصل ۱۸: تفسیرپذیری برای جنگل‌های تصادفی
• 19. فصل ۱۹: تفسیرپذیری برای تقویت گرادیان (Gradient Boosting)
• 20. فصل ۲۰: معرفی LIME (Local Interpretable Model-agnostic Explanations)
• 21. فصل ۲۱: کاربرد LIME در عمل
• 22. فصل ۲۲: معرفی SHAP (SHapley Additive exPlanations)
• 23. فصل ۲۳: مبانی نظری SHAP
• 24. فصل ۲۴: کاربرد SHAP در عمل
• 25. فصل ۲۵: مقایسه LIME و SHAP
• 26. فصل ۲۶: تفسیرپذیری در شبکه‌های عصبی عمیق
• 27. فصل ۲۷: نقش فعال‌سازی‌ها در تفسیرپذیری
• 28. فصل ۲۸: نقش وزن‌ها در تفسیرپذیری
• 29. فصل ۲۹: روش‌های مبتنی بر گرادیان برای تفسیرپذیری
• 30. فصل ۳۰: Saliency Maps (نقشه‌های برجستگی)
• 31. فصل ۳۱: Grad-CAM (Gradient-weighted Class Activation Mapping)
• 32. فصل ۳۲: Integrated Gradients
• 33. فصل ۳۳: DeepLIFT
• 34. فصل ۳۴: SmoothGrad
• 35. فصل ۳۵: Captum: کتابخانه برای تفسیرپذیری شبکه‌های عصبی
• 36. فصل ۳۶: مقدمه‌ای بر تفسیرپذیری در پردازش زبان طبیعی (NLP)
• 37. فصل ۳۷: تفسیرپذیری مدل‌های زبانی آماری
• 38. فصل ۳۸: تفسیرپذیری مدل‌های مبتنی بر یادگیری عمیق در NLP
• 39. فصل ۳۹: Attention Mechanisms و تفسیرپذیری
• 40. فصل ۴۰: Word Embeddings و تفسیرپذیری
• 41. فصل ۴۱: مدل‌های Transformer و تفسیرپذیری
• 42. فصل ۴۲: معرفی LIME برای NLP
• 43. فصل ۴۳: معرفی SHAP برای NLP
• 44. فصل ۴۴: تفسیرپذیری در بینایی ماشین (Computer Vision)
• 45. فصل ۴۵: تفسیرپذیری شبکه‌های عصبی کانولوشنی (CNN)
• 46. فصل ۴۶: Saliency Maps در بینایی ماشین
• 47. فصل ۴۷: Grad-CAM در بینایی ماشین
• 48. فصل ۴۸: Occlusion Sensitivity (حساسیت به انسداد)
• 49. فصل ۴۹: Feature Visualization (مصورسازی ویژگی‌ها)
• 50. فصل ۵۰: TCAV (Testing with Concept Activation Vectors)
• 51. فصل ۵۱: تفسیرپذیری در یادگیری تقویتی (Reinforcement Learning)
• 52. فصل ۵۲: تفسیرپذیری سیاست‌ها (Policies)
• 53. فصل ۵۳: تفسیرپذیری ارزش‌ها (Values)
• 54. فصل ۵۴: تفسیرپذیری پاداش‌ها (Rewards)
• 55. فصل ۵۵: مدل‌های مبتنی بر تفسیرپذیری در RL
• 56. فصل ۵۶: کاربردهای تفسیرپذیری در حوزه سلامت
• 57. فصل ۵۷: تشخیص بیماری با مدل‌های قابل تفسیر
• 58. فصل ۵۸: پیش‌بینی ریسک بیماری با مدل‌های قابل تفسیر
• 59. فصل ۵۹: تفسیرپذیری در کشف دارو
• 60. فصل ۶۰: تفسیرپذیری در پزشکی شخصی‌سازی شده
• 61. فصل ۶۱: کاربردهای تفسیرپذیری در حوزه مالی
• 62. فصل ۶۲: تشخیص تقلب با مدل‌های قابل تفسیر
• 63. فصل ۶۳: امتیازدهی اعتباری با مدل‌های قابل تفسیر
• 64. فصل ۶۴: پیش‌بینی بازار سهام با مدل‌های قابل تفسیر
• 65. فصل ۶۵: تفسیرپذیری در مدیریت ریسک
• 66. فصل ۶۶: کاربردهای تفسیرپذیری در حوزه حمل و نقل
• 67. فصل ۶۷: خودروهای خودران و تفسیرپذیری
• 68. فصل ۶۸: بهینه‌سازی ترافیک با مدل‌های قابل تفسیر
• 69. فصل ۶۹: برنامه‌ریزی مسیر با مدل‌های قابل تفسیر
• 70. فصل ۷۰: ایمنی حمل و نقل با مدل‌های قابل تفسیر
• 71. فصل ۷۱: کاربردهای تفسیرپذیری در حوزه عدالت و حقوق
• 72. فصل ۷۲: تفسیرپذیری در سیستم‌های قضایی
• 73. فصل ۷۳: پیش‌بینی ریسک جرم با مدل‌های قابل تفسیر
• 74. فصل ۷۴: تفسیرپذیری در الگوریتم‌های تصمیم‌گیری
• 75. فصل ۷۵: چالش‌های اخلاقی در تفسیرپذیری
• 76. فصل ۷۶: سوگیری (Bias) در مدل‌های قابل تفسیر
• 77. فصل ۷۷: انصاف (Fairness) و تفسیرپذیری
• 78. فصل ۷۸: مسئولیت‌پذیری (Accountability) و تفسیرپذیری
• 79. فصل ۷۹: حریم خصوصی (Privacy) و تفسیرپذیری
• 80. فصل ۸۰: امنیت (Security) و تفسیرپذیری
• 81. فصل ۸۱: طراحی مدل‌های ذاتاً قابل تفسیر (Inherently Interpretable Models)
• 82. فصل ۸۲: مدل‌های مبتنی بر قواعد (Rule-based Models)
• 83. فصل ۸۳: مدل‌های هیبریدی (Hybrid Models)
• 84. فصل ۸۴: یادگیری توضیحی (Explanation-based Learning)
• 85. فصل ۸۵: روش‌های بصری‌سازی پیشرفته برای تفسیرپذیری
• 86. فصل ۸۶: تعامل با توضیحات (Interactive Explanations)
• 87. فصل ۸۷: اعتبارسنجی توضیحات (Explanation Validation)
• 88. فصل ۸۸: ارزیابی انسانی تفسیرپذیری
• 89. فصل ۸۹: نقش دامنه متخصص (Domain Expert) در تفسیرپذیری
• 90. فصل ۹۰: ابزارها و کتابخانه‌های محبوب برای تفسیرپذیری
• 91. فصل ۹۱: آینده تفسیرپذیری در هوش مصنوعی
• 92. فصل ۹۲: تفسیرپذیری در هوش مصنوعی توضیحی (XAI)
• 93. فصل ۹۳: چالش‌های مقیاس‌پذیری در تفسیرپذیری
• 94. فصل ۹۴: تفسیرپذیری مدل‌های ناظر (Supervised) و بدون ناظر (Unsupervised)
• 95. فصل ۹۵: ارتباط تفسیرپذیری با اعتماد (Trust)
• 96. فصل ۹۶: تفسیرپذیری در مدل‌های توضیحی (Generative Models)
• 97. فصل ۹۷: درس‌های آموخته شده از پروژه‌های واقعی
• 98. فصل ۹۸: تحقیقات فعال در زمینه تفسیرپذیری
• 99. فصل ۹۹: روندهای نوظهور در تفسیرپذیری
• 100. فصل ۱۰۰: جمع‌بندی و چشم‌انداز آینده