فلش‌کارت‌های آموزشی مبانی و کاربردهای عملی یادگیری ماشین در صنعت

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای عملی یادگیری ماشین در صنعت

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علم داده و یادگیری ماشین
• 2. مقدمه بر یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مجموعه داده‌ها و آماده‌سازی آن‌ها
• 5. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 6. مهندسی ویژگی: انتخاب و استخراج ویژگی
• 7. مدل‌های یادگیری نظارت شده: رگرسیون خطی
• 8. مدل‌های یادگیری نظارت شده: رگرسیون لجستیک
• 9. طبقه‌بندی‌کننده‌های بیز ساده
• 10. دسته‌بندهای ماشین بردار پشتیبان (SVM)
• 11. درختان تصمیم
• 12. جنگل‌های تصادفی
• 13. گره‌بندی K-نزدیک‌ترین همسایه (KNN)
• 14. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازیابی
• 15. ارزیابی مدل‌های طبقه‌بندی: امتیاز F1 و منحنی ROC
• 16. مدل‌های یادگیری بدون نظارت: خوشه‌بندی K-Means
• 17. خوشه‌بندی سلسله مراتبی
• 18. تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد
• 19. مقدمه بر یادگیری عمیق
• 20. شبکه‌های عصبی مصنوعی (ANN)
• 21. توابع فعال‌سازی در شبکه‌های عصبی
• 22. پس‌انتشار خطا (Backpropagation)
• 23. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 24. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 25. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 26. کاربرد یادگیری ماشین در پردازش زبان طبیعی (NLP)
• 27. مدل‌های زبانی و تولید متن
• 28. تحلیل احساسات
• 29. ترجمه ماشینی
• 30. کاربرد یادگیری ماشین در بینایی ماشین
• 31. تشخیص اشیاء
• 32. تقسیم‌بندی تصویر
• 33. تولید تصویر
• 34. یادگیری تقویتی: مبانی و مفاهیم
• 35. عوامل و محیط در یادگیری تقویتی
• 36. تابع ارزش و تابع سیاست
• 37. یادگیری Q
• 38. یادگیری Q عمیق (DQN)
• 39. یادگیری تقویتی بدون مدل
• 40. یادگیری تقویتی با مدل
• 41. کاربردهای عملی یادگیری ماشین در صنعت
• 42. یادگیری ماشین در تجارت الکترونیک: توصیه‌گرها
• 43. یادگیری ماشین در امور مالی: تشخیص تقلب
• 44. یادگیری ماشین در امور مالی: پیش‌بینی بازار سهام
• 45. یادگیری ماشین در سلامت: تشخیص بیماری
• 46. یادگیری ماشین در سلامت: کشف دارو
• 47. یادگیری ماشین در صنعت: پیش‌بینی خرابی تجهیزات
• 48. یادگیری ماشین در صنعت: بهینه‌سازی فرآیندها
• 49. یادگیری ماشین در حمل و نقل: خودروهای خودران
• 50. یادگیری ماشین در حمل و نقل: بهینه‌سازی مسیر
• 51. اخلاقیات در هوش مصنوعی و یادگیری ماشین
• 52. سوگیری در الگوریتم‌های یادگیری ماشین
• 53. تفسیرپذیری مدل‌های یادگیری ماشین
• 54. حریم خصوصی و امنیت در یادگیری ماشین
• 55. یادگیری ماشین پایدار و مسئولانه
• 56. آینده یادگیری ماشین و هوش مصنوعی
• 57. مقدمه بر مدل‌های تولیدی
• 58. مدل‌های مولد مبتنی بر واگرایی (GANs)
• 59. شبکه‌های مولد متخاصم (GANs)
• 60. یادگیری خود-نظارت شده
• 61. یادگیری نیمه-نظارت شده
• 62. یادگیری انتقالی
• 63. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 64. مقدمه بر یادگیری انبوه (Federated Learning)
• 65. حفظ حریم خصوصی در یادگیری انبوه
• 66. کاربردهای یادگیری انبوه
• 67. مقدمه بر یادگیری افزایشی (Incremental Learning)
• 68. روش‌های یادگیری افزایشی
• 69. کاربردهای یادگیری افزایشی
• 70. مقدمه بر یادگیری فعال (Active Learning)
• 71. راهبردهای نمونه‌گیری در یادگیری فعال
• 72. کاربردهای یادگیری فعال
• 73. یادگیری ماشین توضیحی (XAI)
• 74. تکنیک‌های XAI: LIME و SHAP
• 75. پیاده‌سازی مدل‌های یادگیری ماشین در مقیاس بزرگ
• 76. مقدمه بر مهندسی ویژگی پیشرفته
• 77. انتخاب ویژگی مبتنی بر مدل
• 78. استخراج ویژگی غیرخطی
• 79. مدل‌های یادگیری ماشین برای داده‌های گراف
• 80. شبکه‌های عصبی گراف (GNNs)
• 81. کاربردهای GNNs
• 82. مقدمه بر یادگیری تقویتی عمیق
• 83. کاربردهای یادگیری تقویتی عمیق
• 84. مدل‌سازی آماری در یادگیری ماشین
• 85. مقدمه بر بیزین (Bayesian) یادگیری ماشین
• 86. استنتاج بیزین
• 87. شبکه‌های بیزین
• 88. مقدمه بر یادگیری تقویتی با عامل چندگانه
• 89. مسائل هماهنگی در یادگیری تقویتی چندعامله
• 90. کاربردهای یادگیری تقویتی چندعامله
• 91. مقدمه بر یادگیری توالی (Sequence Learning)
• 92. مدل‌های ترنسفورمر (Transformer)
• 93. کاربردهای مدل‌های ترنسفورمر
• 94. مقدمه بر یادگیری عمیق مولد برای داده‌های ساختاریافته
• 95. مدل‌های مولد برای داده‌های جدولی
• 96. کاربردهای مدل‌های مولد برای داده‌های جدولی
• 97. مقدمه بر یادگیری ماشین در زمان واقعی
• 98. بهینه‌سازی مدل‌ها برای اجرا در زمان واقعی
• 99. چالش‌های پیاده‌سازی یادگیری ماشین در زمان واقعی
• 100. مقدمه بر یادگیری ماشین توزیع شده