کتاب صوتی از A تا F1: سنجش دقیق عملکرد سیستم‌های هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از A تا F1: سنجش دقیق عملکرد سیستم‌های هوش مصنوعی

موضوع کلی: ارزیابی سیستم‌های هوش مصنوعی

موضوع میانی: ارزیابی دقت و صحت (Accuracy, Precision, Recall, F1-Score)

📋 سرفصل‌های دوره

• 1. مقدمه: چرا سنجش دقیق هوش مصنوعی حیاتی است؟
• 2. فصل اول: تعریف مفهوم عملکرد در هوش مصنوعی
• 3. فصل دوم: معیارهای اساسی سنجش: دقت، صحت، بازیابی
• 4. فصل سوم: معیارهای پیشرفته: امتیاز F1، امتیاز F-beta
• 5. فصل چهارم: معیارهای مبتنی بر احتمال: AUC-ROC، AUC-PR
• 6. فصل پنجم: سنجش مدل‌های دسته‌بندی: ماتریس درهم‌ریختگی
• 7. فصل ششم: سنجش مدل‌های رگرسیون: MSE، RMSE، MAE
• 8. فصل هفتم: سنجش مدل‌های خوشه‌بندی: شاخص سیلوئت، Davies-Bouldin
• 9. فصل هشتم: سنجش مدل‌های تولیدی: Perplexity، BLEU
• 10. فصل نهم: سنجش مدل‌های پردازش زبان طبیعی: GLUE، SuperGLUE
• 11. فصل دهم: سنجش مدل‌های بینایی ماشین: COCO، ImageNet
• 12. فصل یازدهم: سوگیری و انصاف در سنجش هوش مصنوعی
• 13. فصل دوازدهم: چگونه از سوگیری در داده‌ها جلوگیری کنیم؟
• 14. فصل سیزدهم: چگونه از سوگیری در الگوریتم‌ها جلوگیری کنیم؟
• 15. فصل چهاردهم: سنجش قابلیت تفسیرپذیری (Explainability)
• 16. فصل پانزدهم: تکنیک‌های LIME و SHAP برای تفسیرپذیری
• 17. فصل شانزدهم: سنجش قابلیت اطمینان (Reliability)
• 18. فصل هفدهم: سنجش استحکام (Robustness) در برابر حملات
• 19. فصل هجدهم: سنجش زمان پاسخ و مصرف منابع
• 20. فصل نوزدهم: سنجش مقیاس‌پذیری سیستم‌های هوش مصنوعی
• 21. فصل بیستم: سنجش هزینه‌های عملیاتی و نگهداری
• 22. فصل بیست و یکم: سنجش تاثیرات اخلاقی و اجتماعی
• 23. فصل بیست و دوم: سنجش کارایی اقتصادی و بازگشت سرمایه
• 24. فصل بیست و سوم: سنجش تجربه کاربری (UX) با هوش مصنوعی
• 25. فصل بیست و چهارم: ابزارها و چارچوب‌های سنجش رایج
• 26. فصل بیست و پنجم: کتابخانه‌های پایتون برای سنجش: Scikit-learn
• 27. فصل بیست و ششم: کتابخانه‌های پایتون برای سنجش: TensorFlow Metrics
• 28. فصل بیست و هفتم: کتابخانه‌های پایتون برای سنجش: PyTorch Metrics
• 29. فصل بیست و هشتم: پلتفرم‌های سنجش ابری: AWS SageMaker
• 30. فصل بیست و نهم: پلتفرم‌های سنجش ابری: Google AI Platform
• 31. فصل سی‌ام: پلتفرم‌های سنجش ابری: Azure Machine Learning
• 32. فصل سی و یکم: طراحی سناریوهای سنجش واقع‌گرایانه
• 33. فصل سی و دوم: جمع‌آوری داده‌های سنجش مناسب
• 34. فصل سی و سوم: پیش‌پردازش داده‌ها برای سنجش
• 35. فصل سی و چهارم: تقسیم داده‌ها: آموزش، اعتبارسنجی، تست
• 36. فصل سی و پنجم: انتخاب معیارهای سنجش مناسب برای هر مسئله
• 37. فصل سی و ششم: تعریف معیارهای موفقیت (Success Metrics)
• 38. فصل سی و هفتم: سنجش خطاهای نوع اول و نوع دوم
• 39. فصل سی و هشتم: تحلیل خطاها برای بهبود مدل
• 40. فصل سی و نهم: تکنیک‌های اعتبارسنجی متقابل (Cross-validation)
• 41. فصل چهلم: سنجش مدل‌های ترتیبی (Sequential Models)
• 42. فصل چهل و یکم: سنجش مدل‌های گراف (Graph Neural Networks)
• 43. فصل چهل و دوم: سنجش مدل‌های مولد متن
• 44. فصل چهل و سوم: سنجش مدل‌های تولید تصویر
• 45. فصل چهل و چهارم: سنجش مدل‌های تشخیص اشیاء
• 46. فصل چهل و پنجم: سنجش مدل‌های تقسیم‌بندی تصاویر (Segmentation)
• 47. فصل چهل و ششم: سنجش مدل‌های خلاصه‌سازی متن
• 48. فصل چهل و هفتم: سنجش مدل‌های ترجمه ماشینی
• 49. فصل چهل و هشتم: سنجش مدل‌های پرسش و پاسخ
• 50. فصل چهل و نهم: سنجش مدل‌های تحلیل احساسات
• 51. فصل پنجاهم: سنجش مدل‌های توصیه‌گر (Recommender Systems)
• 52. فصل پنجاه و یکم: سنجش مدل‌های تشخیص ناهنجاری (Anomaly Detection)
• 53. فصل پنجاه و دوم: سنجش مدل‌های پیش‌بینی سری‌های زمانی
• 54. فصل پنجاه و سوم: سنجش مدل‌های یادگیری تقویتی
• 55. فصل پنجاه و چهارم: سنجش وظایف چندوجهی (Multimodal Tasks)
• 56. فصل پنجاه و پنجم: سنجش در برابر داده‌های نویزدار
• 57. فصل پنجاه و ششم: سنجش در برابر داده‌های نامتعادل
• 58. فصل پنجاه و هفتم: سنجش با کمبود داده (Few-shot Learning)
• 59. فصل پنجاه و هشتم: سنجش با داده‌های پراکنده (Sparse Data)
• 60. فصل پنجاه و نهم: سنجش با داده‌های غیرقابل مشاهده (Unseen Data)
• 61. فصل شصتم: سنجش عملکرد در دنیای واقعی (Production)
• 62. فصل شصت و یکم: نظارت بر عملکرد مدل در طول زمان
• 63. فصل شصت و دوم: تشخیص افت عملکرد (Performance Degradation)
• 64. فصل شصت و سوم: بازآموزی (Retraining) مدل‌ها
• 65. فصل شصت و چهارم: تنظیم پارامترهای فراپارامتر (Hyperparameter Tuning)
• 66. فصل شصت و پنجم: سنجش هزینه‌های محاسباتی در زمان اجرا
• 67. فصل شصت و ششم: سنجش مصرف حافظه در زمان اجرا
• 68. فصل شصت و هفتم: سنجش تاخیر (Latency) در پاسخگویی
• 69. فصل شصت و هشتم: سنجش توان عملیاتی (Throughput)
• 70. فصل شصت و نهم: سنجش کیفیت کد و مستندات
• 71. فصل هفتادم: سنجش امنیت سیستم‌های هوش مصنوعی
• 72. فصل هفتاد و یکم: سنجش مقاومت در برابر حملات adversaria
• 73. فصل هفتاد و دوم: سنجش حفاظت از حریم خصوصی داده‌ها
• 74. فصل هفتاد و سوم: سنجش انطباق با مقررات (Compliance)
• 75. فصل هفتاد و چهارم: سنجش قابلیت نگهداری (Maintainability)
• 76. فصل هفتاد و پنجم: سنجش قابلیت توسعه‌پذیری (Extensibility)
• 77. فصل هفتاد و ششم: سنجش قابلیت استفاده مجدد (Reusability)
• 78. فصل هفتاد و هفتم: سنجش فرایند استقرار (Deployment)
• 79. فصل هفتاد و هشتم: سنجش اثربخشی A/B Testing
• 80. فصل هفتاد و نهم: سنجش در محیط‌های شبیه‌سازی شده
• 81. فصل هشتادم: سنجش با استفاده از ربات‌ها و عامل‌های هوشمند
• 82. فصل هشتاد و یکم: سنجش در سیستم‌های خودمختار
• 83. فصل هشتاد و دوم: سنجش در رباتیک و اتوماسیون
• 84. فصل هشتاد و سوم: سنجش در صنعت سلامت
• 85. فصل هشتاد و چهارم: سنجش در صنعت مالی
• 86. فصل هشتاد و پنجم: سنجش در صنعت خودروسازی
• 87. فصل هشتاد و ششم: سنجش در صنعت خرده‌فروشی
• 88. فصل هشتاد و هفتم: سنجش در صنعت آموزش
• 89. فصل هشتاد و هشتم: سنجش در حوزه سرگرمی
• 90. فصل هشتاد و نهم: سنجش در حوزه دولتی و عمومی
• 91. فصل نودم: سنجش خلاقیت سیستم‌های هوش مصنوعی
• 92. فصل نود و یکم: سنجش استدلال و حل مسئله
• 93. فصل نود و دوم: سنجش درک عمیق زبان
• 94. فصل نود و سوم: سنجش توانایی یادگیری مداوم
• 95. فصل نود و چهارم: سنجش انعطاف‌پذیری در مواجهه با تغییرات
• 96. فصل نود و پنجم: سنجش توانایی همکاری انسان و هوش مصنوعی
• 97. فصل نود و ششم: سنجش اثربخشی در وظایف پیچیده
• 98. فصل نود و هفتم: آینده سنجش عملکرد هوش مصنوعی
• 99. فصل نود و هشتم: معیارهای نسل بعدی هوش مصنوعی
• 100. فصل نود و نهم: چالش‌های جدید در سنجش