فلش‌کارت‌های آموزشی مدل‌های پیشرفته یادگیری ماشین و کاربردهای عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های پیشرفته یادگیری ماشین و کاربردهای عملی

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین
• 2. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 3. توابع فعال‌سازی در شبکه‌های عصبی
• 4. پس‌انتشار خطا (Backpropagation)
• 5. بهینه‌سازی مدل‌های یادگیری ماشین
• 6. گرادیان کاهشی تصادفی (SGD)
• 7. روش‌های پیشرفته بهینه‌سازی
• 8. تنظیم‌کننده‌ها (Regularization)
• 9. حذف بیش‌برازش (Overfitting)
• 10. معماری‌های شبکه‌های عصبی کانولوشنال (CNN)
• 11. لایه‌های کانولوشن و پولینگ
• 12. کاربرد CNN در پردازش تصویر
• 13. معماری‌های شبکه‌های عصبی بازگشتی (RNN)
• 14. حافظه کوتاه‌مدت طولانی (LSTM)
• 15. شبکه‌های عصبی ترنسفورمر (Transformer)
• 16. مکانیسم توجه (Attention Mechanism)
• 17. مدل‌های زبانی بزرگ (LLM)
• 18. آموزش مدل‌های زبانی
• 19. کاربردهای LLM در پردازش زبان طبیعی
• 20. مدل‌های مولد (Generative Models)
• 21. شبکه‌های مولد تخاصمی (GAN)
• 22. کاربرد GAN در تولید تصویر
• 23. یادگیری تقویتی (Reinforcement Learning)
• 24. مفاهیم پایه یادگیری تقویتی
• 25. الگوریتم‌های یادگیری تقویتی
• 26. یادگیری عمیق برای پردازش تصویر
• 27. تشخیص اشیاء
• 28. تقسیم‌بندی تصویر (Image Segmentation)
• 29. یادگیری عمیق برای پردازش زبان طبیعی
• 30. ترجمه ماشینی
• 31. خلاصه‌سازی متن
• 32. مدل‌های گراف عصبی (GNN)
• 33. کاربرد GNN در شبکه‌های اجتماعی
• 34. یادگیری انتقالی (Transfer Learning)
• 35. تنظیم دقیق مدل‌ها (Fine-tuning)
• 36. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 37. یادگیری بدون نظارت (Unsupervised Learning)
• 38. خوشه‌بندی (Clustering)
• 39. کاهش ابعاد (Dimensionality Reduction)
• 40. تحلیل مؤلفه‌های اصلی (PCA)
• 41. یادگیری عمیق برای سیستم‌های توصیه‌گر
• 42. فیلترینگ مشارکتی (Collaborative Filtering)
• 43. یادگیری عمیق در پزشکی
• 44. تشخیص بیماری از روی تصاویر پزشکی
• 45. یادگیری عمیق در امور مالی
• 46. پیش‌بینی روند بازار
• 47. یادگیری عمیق در رباتیک
• 48. کنترل ربات‌ها
• 49. یادگیری عمیق در بازی‌ها
• 50. توسعه هوش مصنوعی برای بازی‌ها
• 51. اخلاق در هوش مصنوعی
• 52. سوگیری در مدل‌های یادگیری ماشین
• 53. مسئولیت‌پذیری در هوش مصنوعی
• 54. ملاحظات امنیتی در مدل‌های یادگیری ماشین
• 55. حملات خصمانه (Adversarial Attacks)
• 56. حفاظت از مدل‌های یادگیری ماشین
• 57. تفسیرپذیری مدل‌های یادگیری ماشین (XAI)
• 58. روش‌های تفسیرپذیری
• 59. کاربردهای عملی XAI
• 60. پردازش گفتار
• 61. تشخیص گفتار
• 62. تولید گفتار
• 63. مدل‌های خودرمزگذار (Autoencoders)
• 64. کاربرد خودرمزگذارها
• 65. یادگیری نمایش (Representation Learning)
• 66. یادگیری عمیق برای داده‌های سری زمانی
• 67. پیش‌بینی سری‌های زمانی
• 68. مدل‌های گراف پیچیده
• 69. تحلیل شبکه‌های پیچیده
• 70. یادگیری عمیق در علوم زیستی
• 71. کشف دارو
• 72. یادگیری عمیق در نجوم
• 73. تحلیل داده‌های نجومی
• 74. مدل‌های یادگیری ماشین توزیع‌شده
• 75. آموزش مدل‌ها بر روی داده‌های بزرگ
• 76. فدرال لرنینگ (Federated Learning)
• 77. حریم خصوصی در یادگیری ماشین
• 78. حفظ حریم خصوصی در آموزش مدل‌ها
• 79. یادگیری عمیق برای اینترنت اشیاء (IoT)
• 80. تحلیل داده‌های IoT
• 81. مدل‌های یادگیری ماشین در صنعت
• 82. بهینه‌سازی فرآیندهای صنعتی
• 83. مدل‌های یادگیری ماشین در کشاورزی
• 84. کشاورزی دقیق
• 85. یادگیری عمیق برای ربات‌های خودران
• 86. ناوبری ربات‌ها
• 87. مدیریت ریسک در پروژه‌های هوش مصنوعی
• 88. ارزیابی عملکرد مدل‌ها
• 89. معیارهای ارزیابی در یادگیری ماشین
• 90. مطالعه موردی: کاربرد یادگیری ماشین در صنعت
• 91. مطالعه موردی: کاربرد یادگیری ماشین در بهداشت
• 92. مطالعه موردی: کاربرد یادگیری ماشین در آموزش
• 93. مطالعه موردی: کاربرد یادگیری ماشین در حمل و نقل
• 94. مطالعه موردی: کاربرد یادگیری ماشین در انرژی
• 95. مطالعه موردی: کاربرد یادگیری ماشین در محیط زیست
• 96. مطالعه موردی: کاربرد یادگیری ماشین در فرهنگ
• 97. یادگیری عمیق و شبکه‌های عصبی پیچیده
• 98. مباحث پیشرفته در شبکه‌های عصبی
• 99. فناوری‌های نوظهور در هوش مصنوعی
• 100. آینده یادگیری ماشین