فلش‌کارت‌های آموزشی مبانی و کاربردهای یادگیری ماشین در هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای یادگیری ماشین در هوش مصنوعی

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. تاریخچه و سیر تکامل یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مفاهیم پایه در یادگیری ماشین
• 5. داده‌ها و پیش‌پردازش داده‌ها
• 6. پاکسازی و استانداردسازی داده‌ها
• 7. مهندسی ویژگی و انتخاب ویژگی
• 8. انواع ویژگی‌ها و نحوه نمایش آن‌ها
• 9. رگرسیون خطی ساده
• 10. ارزیابی مدل‌های رگرسیون
• 11. رگرسیون چندگانه
• 12. مقدمه‌ای بر طبقه‌بندی
• 13. رگرسیون لجستیک
• 14. طبقه‌بندی‌کننده‌های بردار پشتیبان (SVM)
• 15. درختان تصمیم
• 16. قانون‌گذاری در درختان تصمیم
• 17. جنگل‌های تصادفی
• 18. تقویت گرادیان
• 19. مقدمه‌ای بر خوشه‌بندی
• 20. الگوریتم K-Means
• 21. ارزیابی مدل‌های خوشه‌بندی
• 22. خوشه‌بندی سلسله مراتبی
• 23. مقدمه‌ای بر کاهش ابعاد
• 24. تحلیل مولفه‌های اصلی (PCA)
• 25. تجزیه مقادیر منفرد (SVD)
• 26. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 27. نورون مصنوعی و تابع فعال‌سازی
• 28. ساختار شبکه‌های عصبی پیشخور
• 29. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 30. بهینه‌سازی در شبکه‌های عصبی
• 31. نرخ یادگیری و زمان‌بندی آن
• 32. تنظیم‌کننده‌ها (Regularization)
• 33. شبکه‌های عصبی کانولوشنال (CNN)
• 34. معماری CNN برای پردازش تصویر
• 35. کاربرد CNN در تشخیص تصویر
• 36. شبکه‌های عصبی بازگشتی (RNN)
• 37. کاربرد RNN در پردازش زبان طبیعی
• 38. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 39. شبکه‌های واحد بازگشتی (GRU)
• 40. یادگیری عمیق و معماری‌های پیشرفته
• 41. مقدمه‌ای بر یادگیری تقویتی
• 42. عناصر یادگیری تقویتی: عامل، محیط، پاداش
• 43. فرایند یادگیری در یادگیری تقویتی
• 44. یادگیری مبتنی بر ارزش
• 45. یادگیری مبتنی بر سیاست
• 46. الگوریتم Q-Learning
• 47. الگوریتم SARSA
• 48. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 49. کاربردهای یادگیری تقویتی
• 50. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 51. پیش‌پردازش متن برای NLP
• 52. مدل‌سازی زبانی
• 53. تحلیل احساسات
• 54. ترجمه ماشینی
• 55. خلاصه‌سازی متن
• 56. تشخیص موجودیت نام‌گذاری شده (NER)
• 57. طبقه‌بندی متن
• 58. مقدمه‌ای بر بینایی ماشین
• 59. پردازش تصویر برای ماشین
• 60. تشخیص اشیاء
• 61. تشخیص چهره
• 62. دنبال کردن اشیاء در ویدئو
• 63. تولید تصویر
• 64. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 65. انواع سیستم‌های توصیه‌گر: مبتنی بر محتوا، مبتنی بر همگروهی
• 66. فیلترینگ مشارکتی
• 67. فیلترینگ مبتنی بر محتوا
• 68. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 69. ارزیابی سیستم‌های توصیه‌گر
• 70. کاربردهای سیستم‌های توصیه‌گر
• 71. مقدمه‌ای بر یادگیری ناظر (Unsupervised Learning)
• 72. کاربرد یادگیری ناظر در کشف الگو
• 73. تشخیص ناهنجاری (Anomaly Detection)
• 74. مقدمه‌ای بر یادگیری نیمه‌ناظر (Semi-Supervised Learning)
• 75. کاربرد یادگیری نیمه‌ناظر
• 76. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 77. کاربرد یادگیری انتقالی در حوزه‌های مختلف
• 78. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 79. کاربرد یادگیری فعال
• 80. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)
• 81. کاربرد یادگیری چندوظیفه‌ای
• 82. مقدمه‌ای بر یادگیری جمعی (Ensemble Learning)
• 83. تکنیک‌های Bagging و Boosting
• 84. یادگیری ماشین در کاربردهای صنعتی
• 85. کاربرد در سلامت و پزشکی
• 86. کاربرد در امور مالی و بانکی
• 87. کاربرد در بازاریابی و تجارت الکترونیک
• 88. کاربرد در حمل و نقل و رباتیک
• 89. ملاحظات اخلاقی و اجتماعی در یادگیری ماشین
• 90. سوگیری در داده‌ها و مدل‌ها
• 91. حریم خصوصی و امنیت داده‌ها
• 92. مسئولیت‌پذیری در هوش مصنوعی
• 93. آینده یادگیری ماشین و هوش مصنوعی
• 94. نوآوری‌ها و روندهای جدید
• 95. چالش‌های پیش رو در توسعه هوش مصنوعی
• 96. نقش هوش مصنوعی در جامعه ایران
• 97. آموزش و توسعه مهارت‌های هوش مصنوعی