فلش‌کارت‌های آموزشی مبانی یادگیری ماشین: از مفاهیم تا کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین: از مفاهیم تا کاربردها

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: مبانی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
• 2. تعریف یادگیری ماشین و زیرشاخه‌های آن
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مفاهیم پایه در یادگیری ماشین
• 5. داده‌ها و پیش‌پردازش داده‌ها
• 6. مجموعه داده‌های آموزشی، اعتبارسنجی و آزمون
• 7. ویژگی‌ها و مهندسی ویژگی
• 8. نرمال‌سازی و مقیاس‌بندی داده‌ها
• 9. مدل‌های خطی در یادگیری ماشین
• 10. رگرسیون خطی ساده
• 11. رگرسیون خطی چندگانه
• 12. ارزیابی مدل‌های رگرسیون
• 13. معرفی طبقه‌بندی‌کننده‌ها
• 14. رگرسیون لجستیک
• 15. طبقه‌بندی‌کننده‌های بیز ساده
• 16. ماشین‌های بردار پشتیبان (SVM)
• 17. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 18. مقدمه‌ای بر درخت‌های تصمیم
• 19. ساخت درخت تصمیم
• 20. هرس کردن درخت تصمیم
• 21. جنگل‌های تصادفی
• 22. دسته‌بندی‌کننده‌های تقویت گرادیان
• 23. معرفی یادگیری بدون نظارت
• 24. خوشه‌بندی
• 25. الگوریتم K-Means
• 26. خوشه‌بندی سلسله مراتبی
• 27. ارزیابی خوشه‌بندی
• 28. کاهش ابعاد
• 29. تحلیل مولفه‌های اصلی (PCA)
• 30. نکاتی درباره PCA
• 31. تکنیک‌های کاهش ابعاد دیگر
• 32. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 33. نورون مصنوعی
• 34. توابع فعال‌سازی
• 35. معماری شبکه‌های عصبی پیشخور
• 36. پس‌انتشار خطا (Backpropagation)
• 37. آموزش شبکه‌های عصبی
• 38. بهینه‌سازی در شبکه‌های عصبی
• 39. بهینه‌سازهای رایج
• 40. تنظیم نرخ یادگیری
• 41. مقدمه‌ای بر یادگیری عمیق
• 42. شبکه‌های عصبی کانولوشنی (CNN)
• 43. کاربرد CNN در بینایی ماشین
• 44. شبکه‌های عصبی بازگشتی (RNN)
• 45. کاربرد RNN در پردازش زبان طبیعی
• 46. حافظه طولانی کوتاه مدت (LSTM)
• 47. واحد بازگشتی دروازه‌ای (GRU)
• 48. معرفی مدل‌های ترنسفورمر
• 49. کاربرد ترنسفورمرها
• 50. مقدمه‌ای بر یادگیری تقویتی
• 51. مفهوم عامل و محیط
• 52. پاداش و جریمه
• 53. یادگیری سیاست
• 54. یادگیری ارزش
• 55. الگوریتم Q-learning
• 56. مقدمه‌ای بر یادگیری ماشین در عمل
• 57. انتخاب مدل مناسب
• 58. تنظیم ابرپارامترها
• 59. اعتبارسنجی متقابل
• 60. مدیریت بیش‌برازش و کم‌برازش
• 61. تکنیک‌های منظم‌سازی
• 62. L1 و L2 منظم‌سازی
• 63. Dropout
• 64. مقدمه‌ای بر کاربردهای یادگیری ماشین
• 65. کاربرد در پردازش تصویر
• 66. کاربرد در پردازش زبان طبیعی
• 67. کاربرد در تحلیل داده‌های مالی
• 68. کاربرد در سیستم‌های توصیه‌گر
• 69. کاربرد در تشخیص پزشکی
• 70. ملاحظات اخلاقی در یادگیری ماشین
• 71. حریم خصوصی داده‌ها
• 72. سوگیری در الگوریتم‌ها
• 73. مسئولیت‌پذیری مدل‌ها
• 74. مقدمه‌ای بر یادگیری ماشین توزیع‌شده
• 75. چالش‌های یادگیری ماشین در مقیاس بزرگ
• 76. روش‌های یادگیری ماشین توزیع‌شده
• 77. ملاحظات امنیتی در یادگیری ماشین
• 78. امنیت داده‌ها در فرآیند آموزش
• 79. حملات متقابل و دفاع
• 80. مقدمه‌ای بر یادگیری ماشینی قابل تفسیر (XAI)
• 81. اهمیت تفسیرپذیری مدل‌ها
• 82. روش‌های XAI
• 83. کاربرد XAI در حوزه‌های مختلف
• 84. مباحث پیشرفته در یادگیری ماشین
• 85. یادگیری انتقالی (Transfer Learning)
• 86. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 87. یادگیری تقویتی عمیق (Deep RL)
• 88. یادگیری خودنظارتی (Self-Supervised Learning)
• 89. یادگیری فدرال (Federated Learning)
• 90. مقدمه‌ای بر کاربردهای هوش مصنوعی در کسب‌وکار
• 91. تحلیل داده‌های بازار
• 92. بهینه‌سازی فرآیندهای تولید
• 93. خدمات مشتری هوشمند
• 94. مدیریت ریسک
• 95. پیش‌بینی تقاضا
• 96. مقدمه‌ای بر توسعه پایدار و هوش مصنوعی
• 97. نقش هوش مصنوعی در دستیابی به اهداف توسعه پایدار
• 98. کاربرد هوش مصنوعی در محیط زیست
• 99. کاربرد هوش مصنوعی در سلامت و رفاه
• 100. کاربرد هوش مصنوعی در آموزش