فلش‌کارت‌های آموزشی توسعه نرم افزار های هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره توسعه نرم افزار های هوش مصنوعی

موضوع کلی: برنامه نویسی

موضوع میانی: امنیت سایبری و برنامه‌نویسی امن

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و کاربردهای آن
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 5. انتخاب و مهندسی ویژگی
• 6. مدل‌های کلاسیک یادگیری ماشین: رگرسیون خطی و لجستیک
• 7. دسته‌بندی‌کننده‌ها: درخت تصمیم و جنگل تصادفی
• 8. ماشین‌های بردار پشتیبان (SVM)
• 9. دسته‌بندی‌کننده‌های بیزین ساده
• 10. مدل‌های خوشه‌بندی: K-Means و DBSCAN
• 11. کاهش ابعاد: PCA و t-SNE
• 12. شبکه‌های عصبی مصنوعی (ANN)
• 13. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 14. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 15. حافظه طولانی کوتاه مدت (LSTM) و واحد بازگشتی دروازه‌ای (GRU)
• 16. مبانی پردازش زبان طبیعی (NLP)
• 17. مدل‌های زبانی آماری
• 18. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 19. تعبیه‌سازی کلمات (Word Embeddings): Word2Vec و GloVe
• 20. مدل‌های ترنسفورمر و توجه (Attention)
• 21. مبانی یادگیری عمیق (Deep Learning)
• 22. معماری‌های پیشرفته شبکه‌های عصبی
• 23. آموزش شبکه‌های عصبی عمیق
• 24. تنظیم ابر پارامترها (Hyperparameter Tuning)
• 25. اعتبارسنجی مدل و جلوگیری از بیش‌برازش (Overfitting)
• 26. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 27. اصول اخلاقی در هوش مصنوعی و داده‌ها
• 28. حریم خصوصی و امنیت داده‌ها در هوش مصنوعی
• 29. سوگیری در الگوریتم‌های هوش مصنوعی و راهکارهای مقابله
• 30. هوش مصنوعی مسئولانه و شفاف
• 31. کاربرد هوش مصنوعی در صنعت و کسب‌وکار
• 32. هوش مصنوعی در خدمات بانکی و مالی (بدون ربا)
• 33. هوش مصنوعی در بهداشت و درمان (مطابق پروتکل‌های وزارت بهداشت)
• 34. هوش مصنوعی در کشاورزی و تولید
• 35. هوش مصنوعی در آموزش و یادگیری
• 36. هوش مصنوعی در حمل‌ونقل و لجستیک
• 37. هوش مصنوعی در مدیریت شهری و خدمات عمومی
• 38. سیستم‌های توصیه‌گر (Recommender Systems)
• 39. پردازش تصویر با هوش مصنوعی
• 40. تشخیص و شناسایی اشیاء در تصاویر
• 41. تحلیل احساسات از روی متن
• 42. ترجمه ماشینی
• 43. تولید متن با هوش مصنوعی
• 44. ساخت ربات‌های گفتگو (Chatbots)
• 45. هوش مصنوعی مولد (Generative AI)
• 46. مبانی یادگیری تقویتی (Reinforcement Learning)
• 47. عوامل هوشمند و محیط‌های یادگیری تقویتی
• 48. الگوریتم‌های یادگیری تقویتی: Q-Learning و SARSA
• 49. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 50. کاربردهای یادگیری تقویتی در رباتیک
• 51. کاربردهای یادگیری تقویتی در بازی‌ها
• 52. کاربردهای یادگیری تقویتی در بهینه‌سازی
• 53. مبانی یادگیری انتقالی (Transfer Learning)
• 54. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 55. استفاده از مدل‌های از پیش آموزش دیده در بینایی ماشین
• 56. استفاده از مدل‌های از پیش آموزش دیده در پردازش زبان طبیعی
• 57. یادگیری نیمه‌نظارت شده (Semi-Supervised Learning)
• 58. یادگیری خودنظارت شده (Self-Supervised Learning)
• 59. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 60. یادگیری federated
• 61. مبانی یادگیری فعال (Active Learning)
• 62. کاربرد یادگیری فعال در برچسب‌گذاری داده‌ها
• 63. مبانی یادگیری افزایشی (Incremental Learning)
• 64. سیستم‌های پردازش تصویر پیشرفته
• 65. تحلیل ویدئو با هوش مصنوعی
• 66. تشخیص ناهنجاری (Anomaly Detection)
• 67. پیش‌بینی سری‌های زمانی
• 68. یادگیری گراف (Graph Learning)
• 69. شبکه‌های عصبی گراف (GNN)
• 70. کاربردهای یادگیری گراف در شبکه‌های اجتماعی
• 71. کاربردهای یادگیری گراف در شیمی و زیست‌شناسی
• 72. معماری‌های یادگیری عمیق مدرن
• 73. شبکه‌های مولد تخاصمی (GANs)
• 74. کاربردهای GANs در تولید تصویر
• 75. شبکه‌های مولد مبتنی بر واریانس (VAEs)
• 76. مبانی یادگیری فدرال (Federated Learning)
• 77. پیاده‌سازی مدل‌های هوش مصنوعی در محیط‌های توزیع شده
• 78. استقرار مدل‌های هوش مصنوعی (Model Deployment)
• 79. بهینه‌سازی مدل‌ها برای اجرا بر روی دستگاه‌های لبه (Edge Devices)
• 80. مبانی هوش مصنوعی قابل تفسیر (Explainable AI - XAI)
• 81. روش‌های تفسیرپذیری مدل‌های یادگیری ماشین
• 82. شفافیت در تصمیم‌گیری‌های هوش مصنوعی
• 83. امنیت مدل‌های هوش مصنوعی در برابر حملات
• 84. پیشرفت‌های اخیر در حوزه هوش مصنوعی
• 85. مسیر شغلی در توسعه نرم‌افزارهای هوش مصنوعی
• 86. ابزارها و فریم‌ورک‌های توسعه هوش مصنوعی (Python, TensorFlow, PyTorch)
• 87. کار با کتابخانه‌های علمی پایتون (NumPy, SciPy, Pandas)
• 88. مدیریت پروژه در توسعه نرم‌افزارهای هوش مصنوعی
• 89. اصول مهندسی نرم‌افزار در پروژه‌های هوش مصنوعی
• 90. تست و اعتبارسنجی نرم‌افزارهای هوش مصنوعی
• 91. مستندسازی پروژه‌های هوش مصنوعی