کتاب صوتی مخاطرات و تنظیمات کلیدی در Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مخاطرات و تنظیمات کلیدی در Stan

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مخاطرات در یادگیری ماشین
• 2. مفاهیم پایه ای مدل های آماری
• 3. انواع داده ها و پیش پردازش آن ها
• 4. شناخت و مدیریت داده های گم شده
• 5. تشخیص و مدیریت داده های پرت
• 6. اهمیت نرمال سازی و استانداردسازی داده ها
• 7. معرفی ابزارها و کتابخانه های تحلیل داده
• 8. مبانی تحلیل اکتشافی داده ها (EDA)
• 9. تصویرسازی داده ها برای درک بهتر
• 10. مقدمه ای بر مدل های پیش بینی
• 11. رگرسیون خطی ساده و کاربردهای آن
• 12. ارزیابی مدل های رگرسیون خطی
• 13. رگرسیون لجستیک برای مسائل طبقه بندی
• 14. متریک های ارزیابی مدل های طبقه بندی
• 15. مقدمه ای بر مدل های یادگیری عمیق
• 16. شبکه های عصبی مصنوعی پایه
• 17. ساختار لایه ها در شبکه های عصبی
• 18. توابع فعال سازی و نقش آن ها
• 19. فرآیند آموزش شبکه های عصبی
• 20. تابع هزینه و بهینه سازی آن
• 21. الگوریتم های گرادیان کاهشی
• 22. تنظیم پارامترهای شبکه عصبی
• 23. مقدمه ای بر شبکه های عصبی کانولوشنال (CNN)
• 24. کاربرد CNN در پردازش تصویر
• 25. لایه های کانولوشن و Pooling
• 26. شبکه های عصبی بازگشتی (RNN)
• 27. کاربرد RNN در پردازش زبان طبیعی
• 28. حافظه کوتاه مدت بلند (LSTM)
• 29. شبکه های عصبی ترنسفورمر (Transformer)
• 30. مقدمه ای بر یادگیری تقویتی
• 31. عناصر کلیدی یادگیری تقویتی
• 32. الگوریتم Q-Learning
• 33. کاربرد یادگیری تقویتی در رباتیک
• 34. مقدمه ای بر مدل های generative
• 35. شبکه های مولد تخاصمی (GAN)
• 36. کاربرد GAN در تولید تصویر
• 37. کدهای متغیر (Variational Autoencoders - VAE)
• 38. مقدمه ای بر مدل های زبانی بزرگ (LLM)
• 39. معماری ترنسفورمر در LLM
• 40. تنظیم دقیق (Fine-tuning) مدل های زبانی
• 41. کاربردهای LLM در تولید محتوا
• 42. ملاحظات اخلاقی در استفاده از LLM
• 43. مقدمه ای بر امنیت در مدل های یادگیری ماشین
• 44. حملات متخاصم به مدل ها
• 45. روش های دفاع در برابر حملات متخاصم
• 46. مقدمه ای بر حریم خصوصی در یادگیری ماشین
• 47. یادگیری فدرال (Federated Learning)
• 48. حفظ حریم خصوصی در داده های آموزشی
• 49. ملاحظات شرعی در تحلیل داده ها
• 50. انطباق مدل ها با مقررات بانک مرکزی
• 51. چارچوب شرعی در مدل سازی اقتصادی
• 52. مقدمه ای بر مدل های پیش بینی سری زمانی
• 53. مدل ARIMA
• 54. مدل های مبتنی بر شبکه عصبی برای سری زمانی
• 55. کاربرد مدل های سری زمانی در پیش بینی اقتصادی
• 56. مقدمه ای بر مدل های تحلیل احساسات
• 57. مدل های مبتنی بر واژگان
• 58. مدل های مبتنی بر یادگیری ماشین
• 59. کاربرد تحلیل احساسات در بازاریابی
• 60. ملاحظات زبانی در تحلیل احساسات
• 61. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 62. توکن سازی و نرمال سازی متن
• 63. کیسه کلمات (Bag-of-Words)
• 64. TF-IDF
• 65. بردارهای کلمه (Word Embeddings)
• 66. Word2Vec و GloVe
• 67. مقدمه ای بر مدل های طبقه بندی متن
• 68. مدل های مبتنی بر Naive Bayes
• 69. مدل های مبتنی بر SVM
• 70. مدل های مبتنی بر شبکه عصبی برای متن
• 71. کاربرد NLP در استخراج اطلاعات
• 72. مقدمه ای بر مدل های تشخیص اشیاء
• 73. شبکه های CNN برای تشخیص اشیاء
• 74. مدل YOLO
• 75. مدل Faster R-CNN
• 76. کاربرد تشخیص اشیاء در صنعت
• 77. مقدمه ای بر مدل های بخش بندی تصویر
• 78. مدل U-Net
• 79. کاربرد بخش بندی تصویر در پزشکی
• 80. مقدمه ای بر مدل های توصیه گر
• 81. فیلترینگ مشارکتی
• 82. فیلترینگ مبتنی بر محتوا
• 83. سیستم های توصیه گر هیبریدی
• 84. ارزیابی سیستم های توصیه گر
• 85. مقدمه ای بر مدل های تشخیص ناهنجاری
• 86. روش های آماری برای تشخیص ناهنجاری
• 87. روش های مبتنی بر یادگیری ماشین
• 88. کاربرد تشخیص ناهنجاری در امنیت سایبری
• 89. مقدمه ای بر قابلیت تفسیر مدل ها (XAI)
• 90. روش های توضیح پذیری محلی
• 91. روش های توضیح پذیری سراسری
• 92. مقدمه ای بر استقرار مدل ها (Deployment)
• 93. مراحل استقرار مدل
• 94. ابزارهای استقرار مدل
• 95. مانیتورینگ مدل های مستقر شده
• 96. به روز رسانی مدل ها
• 97. مقدمه ای بر یادگیری مداوم (Continual Learning)
• 98. چالش های یادگیری مداوم
• 99. روش های مقابله با فراموشی فاجعه بار
• 100. کاربرد یادگیری مداوم در سیستم های پویا