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 فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه‌ای یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردها و اهمیت یادگیری ماشین در دنیای امروز
• 5. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی داده‌ها
• 6. مهندسی ویژگی: انتخاب و استخراج ویژگی‌های مؤثر
• 7. معرفی الگوریتم‌های یادگیری ماشین
• 8. رگرسیون خطی: مبانی و کاربردها
• 9. ارزیابی مدل‌های رگرسیون: معیارهای دقت
• 10. رگرسیون چندجمله‌ای: پیچیدگی و انطباق
• 11. رگرسیون لجستیک: طبقه‌بندی دودویی
• 12. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 13. درختان تصمیم: ساختار و کاربرد
• 14. قوانین انجمنی: کشف روابط بین داده‌ها
• 15. دسته‌بندی‌کننده‌های بیز ساده: مبانی احتمالات
• 16. ماشین‌های بردار پشتیبان (SVM): مرزهای جداسازی
• 17. هسته‌ها در SVM: افزایش قدرت تفکیک
• 18. شبکه‌های عصبی مصنوعی: الهام از مغز انسان
• 19. نورون و لایه‌های شبکه‌های عصبی
• 20. توابع فعال‌سازی در شبکه‌های عصبی
• 21. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 22. یادگیری عمیق: شبکه‌های عصبی عمیق
• 23. شبکه‌های عصبی کانولوشنی (CNN): پردازش تصاویر
• 24. شبکه‌های عصبی بازگشتی (RNN): پردازش توالی‌ها
• 25. حافظه کوتاه‌مدت بلند (LSTM) و GRU
• 26. یادگیری بدون نظارت: خوشه‌بندی
• 27. الگوریتم K-Means برای خوشه‌بندی
• 28. خوشه‌بندی سلسله‌مراتبی: ساختار درختی
• 29. کاهش ابعاد: حذف ویژگی‌های اضافی
• 30. تحلیل مولفه‌های اصلی (PCA)
• 31. تحلیل ممیزی خطی (LDA)
• 32. یادگیری تقویتی: عامل و محیط
• 33. پاداش و جریمه در یادگیری تقویتی
• 34. الگوریتم‌های یادگیری تقویتی: Q-learning
• 35. یادگیری تقویتی عمیق
• 36. معرفی مدل‌های زبانی
• 37. پردازش زبان طبیعی (NLP)
• 38. مدل‌های آماری در NLP
• 39. مدل‌های مبتنی بر شبکه‌های عصبی در NLP
• 40. آموزش مدل‌های زبانی
• 41. کاربردهای مدل‌های زبانی: تولید متن، ترجمه
• 42. کاربرد یادگیری ماشین در تحلیل احساسات
• 43. کاربرد یادگیری ماشین در سیستم‌های توصیه‌گر
• 44. سیستم‌های توصیه‌گر مبتنی بر محتوا
• 45. سیستم‌های توصیه‌گر مبتنی بر همکاری
• 46. معرفی الگوریتم‌های یادگیری ماشین در حوزه سلامت
• 47. تشخیص بیماری با استفاده از یادگیری ماشین
• 48. مدل‌سازی پیش‌بینی‌کننده در پزشکی
• 49. یادگیری ماشین در حوزه مالی
• 50. تشخیص تقلب مالی
• 51. پیش‌بینی قیمت سهام
• 52. یادگیری ماشین در حوزه بازاریابی
• 53. شخصی‌سازی تجربه‌ی مشتری
• 54. تحلیل رفتار مشتری
• 55. یادگیری ماشین در حوزه کشاورزی
• 56. بهینه‌سازی برداشت محصول
• 57. تشخیص آفات و بیماری‌های گیاهی
• 58. اخلاق در هوش مصنوعی
• 59. سوگیری در الگوریتم‌ها و راه‌های مقابله
• 60. شفافیت و توضیح‌پذیری در هوش مصنوعی
• 61. امنیت در سیستم‌های هوش مصنوعی
• 62. حریم خصوصی داده‌ها در عصر هوش مصنوعی
• 63. آینده هوش مصنوعی و یادگیری ماشین
• 64. یادگیری ماشین خودکار (AutoML)
• 65. هوش مصنوعی عمومی (AGI)
• 66. کاربرد یادگیری ماشین در رباتیک
• 67. کنترل ربات‌ها با یادگیری ماشین
• 68. یادگیری ماشین در بازی‌ها
• 69. توسعه بازی‌های هوشمند
• 70. معرفی ابزارها و کتابخانه‌های یادگیری ماشین
• 71. TensorFlow و Keras
• 72. PyTorch
• 73. Scikit-learn
• 74. آماده‌سازی داده‌ها برای مدل‌های پیشرفته
• 75. تنظیم هایپرپارامترها
• 76. اعتبارسنجی متقابل (Cross-validation)
• 77. مدل‌های ترکیبی (Ensemble methods)
• 78. Bagging و Boosting
• 79. Random Forests
• 80. Gradient Boosting Machines
• 81. یادگیری ماشین نامتعارف
• 82. یادگیری فعال (Active learning)
• 83. یادگیری نیمه‌نظارت شده (Semi-supervised learning)
• 84. یادگیری انتقالی (Transfer learning)
• 85. شبکه‌های مولد تخاصمی (GANs)
• 86. پردازش تصاویر با GANs
• 87. کاربرد GANs در تولید داده
• 88. یادگیری ماشین توضیحی (Explainable AI - XAI)
• 89. اصول XAI
• 90. روش‌های XAI
• 91. مدیریت چرخه عمر مدل‌های یادگیری ماشین
• 92. استقرار مدل‌ها در محیط عملیاتی
• 93. نظارت و به‌روزرسانی مدل‌ها
• 94. ملاحظات قانونی و شرعی در توسعه هوش مصنوعی
• 95. چارچوب‌های نظارتی برای هوش مصنوعی
• 96. نقش هوش مصنوعی در تحول دیجیتال
• 97. چالش‌های پیاده‌سازی هوش مصنوعی در سازمان‌ها
• 98. ارزیابی بازگشت سرمایه (ROI) در پروژه‌های هوش مصنوعی
• 99. آموزش مداوم و به‌روزرسانی دانش در حوزه یادگیری ماشین