فلش‌کارت‌های آموزشی مقدمه‌ای بر علم داده و هوش مصنوعی: ابزارها و کاربردها در دنیای امروز

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر علم داده و هوش مصنوعی: ابزارها و کاربردها در دنیای امروز

موضوع کلی: علوم و فناوری داده

موضوع میانی: مبانی علم داده و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی علم داده و اهمیت آن
• 2. مفاهیم کلیدی در علم داده
• 3. انواع داده و ساختارهای داده
• 4. جمع‌آوری و پاکسازی داده‌ها
• 5. پیش‌پردازش داده‌ها: گام‌های اساسی
• 6. شناخت و اکتشاف داده (EDA)
• 7. مصورسازی داده‌ها: ابزارها و تکنیک‌ها
• 8. مقدمه‌ای بر یادگیری ماشین
• 9. انواع یادگیری ماشین: نظارت‌شده و بدون نظارت
• 10. الگوریتم‌های یادگیری نظارت‌شده: رگرسیون
• 11. الگوریتم‌های یادگیری نظارت‌شده: طبقه‌بندی
• 12. مدل‌های درخت تصمیم و جنگل‌های تصادفی
• 13. ماشین‌های بردار پشتیبان (SVM)
• 14. شبکه‌های عصبی مصنوعی: مبانی
• 15. مقدمه‌ای بر یادگیری عمیق
• 16. شبکه‌های عصبی کانولوشنی (CNN)
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. پردازش زبان طبیعی (NLP): مبانی
• 19. کاربرد NLP در تحلیل متن
• 20. مفاهیم آماری در علم داده
• 21. آمار توصیفی و استنباطی
• 22. مقدمه‌ای بر یادگیری بدون نظارت
• 23. خوشه‌بندی داده‌ها (Clustering)
• 24. کاهش ابعاد و تحلیل مؤلفه‌های اصلی (PCA)
• 25. مقدمه‌ای بر مدل‌های احتمالاتی
• 26. قضیه بیز و کاربردهای آن
• 27. شناسایی الگو و قواعد وابستگی
• 28. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 29. طراحی سیستم‌های توصیه‌گر ساده
• 30. ارزیابی مدل‌های یادگیری ماشین
• 31. معیارهای سنجش دقت مدل‌ها
• 32. اعتبارسنجی متقابل (Cross-validation)
• 33. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 34. مقدمه‌ای بر داده‌های کلان (Big Data)
• 35. معماری‌های پردازش داده‌های کلان
• 36. ابزارهای اکوسیستم Hadoop
• 37. مقدمه‌ای بر Spark
• 38. کاربرد Spark در پردازش داده
• 39. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 40. انواع پایگاه‌های داده NoSQL
• 41. مقدمه‌ای بر یادگیری تقویتی
• 42. کاربردهای یادگیری تقویتی
• 43. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 44. تکنیک‌های مهندسی ویژگی
• 45. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 46. فرآیند استاندارد داده‌کاوی (CRISP-DM)
• 47. اخلاق در علم داده و هوش مصنوعی
• 48. حریم خصوصی داده‌ها و امنیت
• 49. مقدمه‌ای بر هوش مصنوعی مولد
• 50. کاربردهای هوش مصنوعی مولد
• 51. تحلیل احساسات (Sentiment Analysis)
• 52. مقدمه‌ای بر پردازش تصویر
• 53. کاربرد پردازش تصویر در علم داده
• 54. مقدمه‌ای بر داده‌های سری زمانی
• 55. تحلیل و پیش‌بینی سری‌های زمانی
• 56. مقدمه‌ای بر مدل‌های گراف
• 57. تحلیل شبکه‌های اجتماعی
• 58. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 59. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 60. کاربردهای علم داده در کسب‌وکار
• 61. علم داده در بازاریابی و فروش
• 62. علم داده در امور مالی و بانکی
• 63. علم داده در بهداشت و درمان
• 64. علم داده در صنعت و تولید
• 65. علم داده در دولت الکترونیک
• 66. مقدمه‌ای بر داده‌های مکانی
• 67. تحلیل داده‌های مکانی
• 68. مقدمه‌ای بر داده‌کاوی پیشرفته
• 69. تکنیک‌های پیشرفته خوشه‌بندی
• 70. تکنیک‌های پیشرفته طبقه‌بندی
• 71. مقدمه‌ای بر یادگیری چندنمایی (Multi-task Learning)
• 72. مقدمه‌ای بر یادگیری چندوجهی (Multi-modal Learning)
• 73. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 74. کاربرد GNN در تحلیل داده
• 75. مقدمه‌ای بر پردازش گفتار
• 76. کاربرد پردازش گفتار در علم داده
• 77. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 78. روش‌های بهینه‌سازی در یادگیری ماشین
• 79. مقدمه‌ای بر یادگیری نامتوازن (Imbalanced Learning)
• 80. تکنیک‌های مقابله با داده‌های نامتوازن
• 81. مقدمه‌ای بر تفسیرپذیری مدل‌ها (Explainable AI)
• 82. روش‌های تفسیرپذیری مدل‌ها
• 83. مقدمه‌ای بر داده‌های متنی پیشرفته
• 84. مدل‌های زبانی بزرگ (LLMs)
• 85. کاربردهای LLMs در علم داده
• 86. مقدمه‌ای بر داده‌های ویدئویی
• 87. تحلیل داده‌های ویدئویی
• 88. مقدمه‌ای بر داده‌های صوتی
• 89. تحلیل داده‌های صوتی
• 90. مقدمه‌ای بر یادگیری توزیع‌شده
• 91. کاربرد یادگیری توزیع‌شده
• 92. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 93. کاربرد یادگیری فدرال
• 94. مقدمه‌ای بر هوش مصنوعی و جامعه
• 95. تأثیر هوش مصنوعی بر اشتغال
• 96. مقدمه‌ای بر هوش مصنوعی و آموزش
• 97. کاربرد هوش مصنوعی در آموزش
• 98. مقدمه‌ای بر هوش مصنوعی و محیط زیست
• 99. کاربرد هوش مصنوعی در پایداری
• 100. مقدمه‌ای بر هوش مصنوعی و هنر