فلش‌کارت‌های آموزشی درک الگوریتم‌ها: سفری در هوش مصنوعی (با رویکرد سازگار با قوانین)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره درک الگوریتم‌ها: سفری در هوش مصنوعی (با رویکرد سازگار با قوانین)

موضوع کلی: هوش مصنوعی و علوم داده

موضوع میانی: مبانی و کاربردهای هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و علوم داده
• 2. تاریخچه هوش مصنوعی
• 3. مفاهیم پایه هوش مصنوعی
• 4. هوش مصنوعی در مقابل علوم داده
• 5. یادگیری ماشین چیست؟
• 6. انواع یادگیری ماشین
• 7. یادگیری نظارت شده
• 8. یادگیری نظارت نشده
• 9. یادگیری تقویتی
• 10. شبکه‌های عصبی مصنوعی
• 11. مبانی شبکه‌های عصبی
• 12. شبکه‌های عصبی عمیق
• 13. یادگیری عمیق
• 14. کاربردهای یادگیری عمیق
• 15. پردازش زبان طبیعی (NLP)
• 16. مبانی پردازش زبان طبیعی
• 17. کاربردهای پردازش زبان طبیعی
• 18. بینایی ماشین
• 19. مبانی بینایی ماشین
• 20. کاربردهای بینایی ماشین
• 21. سیستم‌های توصیه‌گر
• 22. مبانی سیستم‌های توصیه‌گر
• 23. طراحی سیستم‌های توصیه‌گر
• 24. مدل‌های آماری در هوش مصنوعی
• 25. احتمال و آمار برای هوش مصنوعی
• 26. نظریه اطلاعات
• 27. بهینه‌سازی در هوش مصنوعی
• 28. الگوریتم‌های بهینه‌سازی
• 29. گرادیان کاهشی
• 30. هوش مصنوعی مولد
• 31. مدل‌های زبانی بزرگ (LLMs)
• 32. مبانی LLMs
• 33. کاربردهای LLMs
• 34. اخلاق در هوش مصنوعی
• 35. سوگیری در هوش مصنوعی
• 36. شفافیت و تفسیرپذیری در هوش مصنوعی
• 37. حریم خصوصی در هوش مصنوعی
• 38. امنیت در هوش مصنوعی
• 39. کاربردهای هوش مصنوعی در صنعت
• 40. هوش مصنوعی در بهداشت و درمان
• 41. هوش مصنوعی در آموزش
• 42. هوش مصنوعی در امور مالی
• 43. هوش مصنوعی در کشاورزی
• 44. هوش مصنوعی در حمل و نقل
• 45. هوش مصنوعی در خدمات عمومی
• 46. هوش مصنوعی و اقتصاد مقاومتی
• 47. هوش مصنوعی و تحقق اهداف ملی
• 48. مقدمه‌ای بر علم داده
• 49. چرخه حیات علم داده
• 50. جمع‌آوری داده
• 51. پاکسازی و پیش‌پردازش داده
• 52. کاوش و تحلیل داده
• 53. مصورسازی داده
• 54. مدل‌سازی داده
• 55. ارزیابی مدل
• 56. استقرار مدل
• 57. ابزارها و فناوری‌های علم داده
• 58. زبان‌های برنامه‌نویسی برای علم داده (پایتون، R)
• 59. کتابخانه‌های علم داده (Pandas, NumPy, Scikit-learn)
• 60. پایگاه‌های داده رابطه‌ای
• 61. پایگاه‌های داده NoSQL
• 62. مباحث پیشرفته در علم داده
• 63. یادگیری عمیق برای علم داده
• 64. پردازش زبان طبیعی برای علم داده
• 65. بینایی ماشین برای علم داده
• 66. یادگیری تقویتی برای علم داده
• 67. تحلیل سری‌های زمانی
• 68. تحلیل شبکه‌های اجتماعی
• 69. تحلیل داده‌های مکانی
• 70. مهندسی ویژگی
• 71. انتخاب ویژگی
• 72. کاهش ابعاد
• 73. مدل‌های پیش‌بینی کننده
• 74. طبقه‌بندی
• 75. رگرسیون
• 76. خوشه‌بندی
• 77. تشخیص ناهنجاری
• 78. مقدمه‌ای بر یادگیری ماشین با پایتون
• 79. نصب و راه‌اندازی محیط پایتون
• 80. کار با کتابخانه Pandas
• 81. کار با کتابخانه NumPy
• 82. مبانی Scikit-learn
• 83. پیاده‌سازی الگوریتم‌های نظارت شده
• 84. پیاده‌سازی الگوریتم‌های نظارت نشده
• 85. ارزیابی مدل در پایتون
• 86. معرفی چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)
• 87. مبانی TensorFlow
• 88. مبانی PyTorch
• 89. ساخت اولین شبکه عصبی با TensorFlow
• 90. ساخت اولین شبکه عصبی با PyTorch
• 91. کاربرد هوش مصنوعی در ارتقاء بهره‌وری
• 92. کاربرد هوش مصنوعی در بهینه‌سازی فرآیندها
• 93. هوش مصنوعی و تحلیل پیش‌بینانه
• 94. هوش مصنوعی و مدیریت ریسک
• 95. هوش مصنوعی و خودکارسازی وظایف
• 96. هوش مصنوعی و توسعه پایدار
• 97. هوش مصنوعی و حکمرانی داده
• 98. هوش مصنوعی و نوآوری در کسب‌وکار
• 99. هوش مصنوعی و مسئولیت‌پذیری سازمانی
• 100. هوش مصنوعی و آینده کار