فلش‌کارت‌های آموزشی مقدمه‌ای بر مفاهیم پیشرفته در یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر مفاهیم پیشرفته در یادگیری ماشین

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مفاهیم اساسی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت شده
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مدل‌های خطی
• 8. رگرسیون خطی
• 9. توابع هزینه در رگرسیون خطی
• 10. بهینه‌سازی گرادیان کاهشی
• 11. نظم‌دهی (Regularization)
• 12. لasso و Ridge Regression
• 13. ماشین‌های بردار پشتیبان (SVM)
• 14. هسته‌ها در SVM
• 15. طبقه‌بندی‌کننده بیز ساده
• 16. نویز در داده‌ها
• 17. مدل‌های درخت تصمیم
• 18. جنگل‌های تصادفی
• 19. تقویت گرادیان
• 20. شبکه‌های عصبی مصنوعی
• 21. پرسپترون تک لایه
• 22. توابع فعال‌سازی
• 23. پرسپترون چند لایه
• 24. پس‌انتشار خطا (Backpropagation)
• 25. شبکه‌های عصبی کانولوشنال (CNN)
• 26. لایه کانولوشن
• 27. لایه ادغام (Pooling)
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. حافظه کوتاه‌مدت طولانی (LSTM)
• 30. شبکه‌های مولد تخاصمی (GAN)
• 31. مفاهیم پیشرفته در یادگیری ماشین
• 32. یادگیری عمیق
• 33. معماری‌های یادگیری عمیق
• 34. شبکه‌های عصبی ترانسفورمر
• 35. پردازش زبان طبیعی (NLP)
• 36. مدل‌های زبانی
• 37. تعبیه‌سازی کلمات (Word Embeddings)
• 38. شبکه‌های عصبی گراف (GNN)
• 39. یادگیری از داده‌های نامتوازن
• 40. روش‌های ارزیابی مدل
• 41. معیارهای ارزیابی طبقه‌بندی
• 42. ماتریس درهم‌ریختگی (Confusion Matrix)
• 43. دقت (Accuracy)
• 44. صحت (Precision)
• 45. بازیابی (Recall)
• 46. امتیاز F1
• 47. منحنی ROC و AUC
• 48. اعتبارسنجی متقابل (Cross-validation)
• 49. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 50. جستجوی شبکه‌ای (Grid Search)
• 51. جستجوی تصادفی (Random Search)
• 52. یادگیری انتقالی (Transfer Learning)
• 53. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 54. یادگیری فعال (Active Learning)
• 55. یادگیری نیمه‌نظارتی (Semi-supervised Learning)
• 56. تفسیرپذیری مدل‌های یادگیری ماشین (XAI)
• 57. مفاهیم اخلاقی در هوش مصنوعی
• 58. سوگیری در داده‌ها و مدل‌ها
• 59. عدالت و انصاف در هوش مصنوعی
• 60. حریم خصوصی و امنیت داده‌ها
• 61. کاربرد یادگیری ماشین در علوم
• 62. یادگیری ماشین در پزشکی
• 63. یادگیری ماشین در مالی
• 64. یادگیری ماشین در پردازش تصویر
• 65. یادگیری ماشین در پردازش صوت
• 66. یادگیری ماشین در رباتیک
• 67. یادگیری ماشین در سیستم‌های توصیه‌گر
• 68. یادگیری ماشین در تحلیل کلان‌داده‌ها
• 69. معرفی ابزارها و کتابخانه‌ها
• 70. TensorFlow
• 71. PyTorch
• 72. Scikit-learn
• 73. Pandas
• 74. NumPy
• 75. مقدمه‌ای بر مهندسی ویژگی
• 76. انتخاب ویژگی
• 77. استخراج ویژگی
• 78. ساخت ویژگی
• 79. مقدمه‌ای بر داده‌کاوی
• 80. قوانین وابستگی (Association Rules)
• 81. خوشه‌بندی (Clustering)
• 82. کشف ناهنجاری (Anomaly Detection)
• 83. مفاهیم پایه‌ای آمار در یادگیری ماشین
• 84. احتمالات
• 85. توزیع‌های آماری
• 86. آزمون فرض آماری
• 87. مقدمه‌ای بر بهینه‌سازی
• 88. الگوریتم‌های بهینه‌سازی
• 89. قضیه حد مرکزی
• 90. مقدمه‌ای بر یادگیری ماشین قابل اعتماد
• 91. امنیت در یادگیری ماشین
• 92. مقاومت در برابر حملات
• 93. حریم خصوصی در یادگیری ماشین
• 94. یادگیری ماشینی با حفظ حریم خصوصی (Privacy-Preserving ML)
• 95. مقدمه‌ای بر یادگیری ماشین توزیع شده
• 96. محاسبات ابری برای یادگیری ماشین
• 97. فدرال لرنینگ (Federated Learning)
• 98. مقدمه‌ای بر یادگیری تقویتی پیشرفته
• 99. تفاوت یادگیری تقویتی با سایر روش‌ها
• 100. کاربردها و چالش‌های یادگیری تقویتی