کتاب صوتی کاربرد آمار در ارزیابی عملکرد مدل‌های هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد آمار در ارزیابی عملکرد مدل‌های هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مفاهیم احتمالات و آمار در هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار و کاربرد آن در علوم
• 2. مفاهیم پایه آمار توصیفی
• 3. اندازه‌گیری معیارهای مرکزی (میانگین، میانه، نما)
• 4. محاسبه معیارهای پراکندگی (واریانس، انحراف معیار، دامنه)
• 5. توزیع‌های فراوانی و نمودارهای آماری
• 6. مقدمه‌ای بر آمار استنباطی
• 7. مفاهیم نمونه و جامعه آماری
• 8. تخمین پارامترهای جامعه
• 9. فاصله‌های اطمینان
• 10. آزمون فرض آماری
• 11. مقدمه‌ای بر ارزیابی عملکرد مدل‌های هوش مصنوعی
• 12. اهمیت ارزیابی عملکرد در یادگیری ماشین
• 13. معیارهای پایه‌ای ارزیابی مدل‌های طبقه‌بندی
• 14. دقت (Accuracy) و کاربردهای آن
• 15. حساسیت (Sensitivity) و ویژگی (Specificity)
• 16. مقایسه دقت، حساسیت و ویژگی
• 17. مقدمه‌ای بر ماتریس درهم‌ریختگی (Confusion Matrix)
• 18. تحلیل ماتریس درهم‌ریختگی
• 19. شاخص‌های مبتنی بر ماتریس درهم‌ریختگی
• 20. منحنی ROC و سطح زیر منحنی (AUC)
• 21. تفسیر منحنی ROC و AUC
• 22. معیارهای ارزیابی مدل‌های رگرسیون
• 23. خطای میانگین مربعات (MSE)
• 24. ریشه خطای میانگین مربعات (RMSE)
• 25. خطای میانگین قدر مطلق (MAE)
• 26. ضریب تعیین (R-squared)
• 27. تفسیر ضریب تعیین
• 28. معیارهای ارزیابی مدل‌های خوشه‌بندی
• 29. شاخص سیلوئت (Silhouette Score)
• 30. شاخص دیویس-بولدین (Davies-Bouldin Index)
• 31. شاخص‌های ارزیابی مدل‌های پیش‌بینی سری زمانی
• 32. معیارهای ارزیابی مدل‌های پردازش زبان طبیعی
• 33. معیارهای ارزیابی مدل‌های بینایی ماشین
• 34. مقدمه‌ای بر اعتبارسنجی متقابل (Cross-Validation)
• 35. اعتبارسنجی K-fold
• 36. اعتبارسنجی Leave-One-Out
• 37. اعتبارسنجی Stratified K-fold
• 38. اهمیت پیش‌پردازش داده‌ها در ارزیابی
• 39. تأثیر داده‌های پرت بر ارزیابی مدل
• 40. روش‌های شناسایی و مدیریت داده‌های پرت
• 41. نرمال‌سازی و استانداردسازی داده‌ها
• 42. تأثیر مقیاس‌بندی بر ارزیابی
• 43. مقدمه‌ای بر بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 44. شناسایی بیش‌برازش و کم‌برازش
• 45. راهکارهای مقابله با بیش‌برازش
• 46. راهکارهای مقابله با کم‌برازش
• 47. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 48. جستجوی شبکه‌ای (Grid Search)
• 49. جستجوی تصادفی (Random Search)
• 50. بهینه‌سازی بیزی (Bayesian Optimization)
• 51. مقدمه‌ای بر انتخاب ویژگی (Feature Selection)
• 52. روش‌های مبتنی بر فیلتر
• 53. روش‌های مبتنی بر بسته‌بندی (Wrapper Methods)
• 54. روش‌های مبتنی بر جاسازی (Embedded Methods)
• 55. تأثیر انتخاب ویژگی بر ارزیابی مدل
• 56. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 57. ارزیابی مدل‌های یادگیری انتقالی
• 58. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 59. معیارهای ارزیابی مدل‌های یادگیری تقویتی
• 60. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 61. معیارهای ارزیابی مدل‌های شبکه‌های عصبی
• 62. ارزیابی مدل‌های شبکه‌های کانولوشنی (CNN)
• 63. ارزیابی مدل‌های شبکه‌های بازگشتی (RNN)
• 64. ارزیابی مدل‌های ترنسفورمر (Transformer)
• 65. مقدمه‌ای بر تفسیرپذیری مدل (Model Interpretability)
• 66. روش‌های تفسیرپذیری مدل‌های یادگیری ماشین
• 67. تحلیل اهمیت ویژگی (Feature Importance)
• 68. روش LIME
• 69. روش SHAP
• 70. مقدمه‌ای بر تعصب در مدل‌های هوش مصنوعی
• 71. شناسایی و اندازه‌گیری تعصب
• 72. راهکارهای کاهش تعصب در مدل‌ها
• 73. ارزیابی عادلانه مدل‌ها (Fairness Evaluation)
• 74. مقدمه‌ای بر پایش مدل (Model Monitoring)
• 75. پایش عملکرد مدل در طول زمان
• 76. شناسایی افت عملکرد مدل
• 77. استراتژی‌های به‌روزرسانی مدل
• 78. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 79. تأثیر مهندسی ویژگی بر ارزیابی
• 80. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)
• 81. ارزیابی مدل‌های یادگیری چندوظیفه‌ای
• 82. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 83. ارزیابی مدل‌های یادگیری فدرال
• 84. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 85. ارزیابی مدل‌های یادگیری فعال
• 86. مقدمه‌ای بر یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 87. ارزیابی مدل‌های یادگیری نیمه‌نظارتی
• 88. مقدمه‌ای بر یادگیری چندنمونه‌ای (Few-shot Learning)
• 89. ارزیابی مدل‌های یادگیری چندنمونه‌ای
• 90. مقدمه‌ای بر ارزیابی مدل‌های توصیه‌گر
• 91. معیارهای ارزیابی سیستم‌های توصیه‌گر
• 92. مقدمه‌ای بر ارزیابی مدل‌های مولد
• 93. معیارهای ارزیابی مدل‌های مولد (مانند GAN)
• 94. مقدمه‌ای بر ارزیابی مدل‌های تشخیص ناهنجاری
• 95. معیارهای ارزیابی مدل‌های تشخیص ناهنجاری
• 96. مقدمه‌ای بر اصول اخلاقی در ارزیابی مدل‌ها
• 97. اهمیت ارزیابی دقیق و بی‌طرفانه
• 98. مسئولیت‌پذیری در توسعه مدل‌های هوش مصنوعی