کتاب صوتی مبانی آماری برای هوش مصنوعی قابل اعتماد: تحلیل داده و اعتبارسنجی مدل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی آماری برای هوش مصنوعی قابل اعتماد: تحلیل داده و اعتبارسنجی مدل

موضوع کلی: هوش مصنوعی و علم داده

موضوع میانی: مبانی آماری و کاربردهای هوش مصنوعی قابل اعتماد

📋 سرفصل‌های دوره

• 1. مبانی احتمال و آمار برای هوش مصنوعی
• 2. تعریف متغیرهای تصادفی و توزیع‌های احتمال
• 3. توزیع‌های گسسته و کاربردهای آن‌ها
• 4. توزیع دوجمله‌ای و فوق‌هندسی
• 5. توزیع پواسون و کاربردهای آن
• 6. توزیع هندسی و سری هندسی
• 7. توزیع‌های پیوسته و مفاهیم اساسی
• 8. توزیع یکنواخت و کاربردها
• 9. توزیع نرمال و ویژگی‌های آن
• 10. توزیع نمایی و کاربردهای آن
• 11. توزیع گاما و بتا
• 12. آمار توصیفی و خلاصه‌سازی داده‌ها
• 13. میانگین، میانه و مد
• 14. واریانس، انحراف معیار و دامنه
• 15. نمودارهای توصیفی: هیستوگرام و نمودار جعبه‌ای
• 16. مفهوم نمونه و جامعه آماری
• 17. روش‌های نمونه‌گیری تصادفی
• 18. استنباط آماری: تخمین پارامترها
• 19. تخمین نقطه‌ای و فاصله‌ای
• 20. فاصله اطمینان برای میانگین
• 21. فاصله اطمینان برای نسبت
• 22. آزمون فرض آماری
• 23. مفاهیم پایه در آزمون فرض
• 24. آزمون فرض برای میانگین
• 25. آزمون فرض برای نسبت
• 26. آزمون فرض برای واریانس
• 27. رگرسیون خطی ساده
• 28. مدل رگرسیون خطی
• 29. تخمین ضرایب رگرسیون
• 30. آزمون فرض برای ضرایب رگرسیون
• 31. ضریب تعیین و ارزیابی مدل
• 32. رگرسیون خطی چندگانه
• 33. مدل رگرسیون چندگانه
• 34. انتخاب متغیرها در رگرسیون
• 35. مشکلات در رگرسیون چندگانه
• 36. رگرسیون لجستیک برای طبقه‌بندی
• 37. مبانی طبقه‌بندی
• 38. مدل رگرسیون لجستیک
• 39. تفسیر ضرایب در رگرسیون لجستیک
• 40. ارزیابی مدل‌های طبقه‌بندی
• 41. مقدمه‌ای بر یادگیری ماشین
• 42. انواع یادگیری ماشین: نظارت‌شده و بدون نظارت
• 43. یادگیری با تقویت
• 44. مبانی ارزیابی مدل‌های یادگیری ماشین
• 45. دقت، صحت و بازیابی
• 46. امتیاز F1 و منحنی ROC
• 47. اعتبارسنجی متقابل
• 48. مقدمه‌ای بر هوش مصنوعی قابل اعتماد
• 49. مفاهیم اخلاقی در هوش مصنوعی
• 50. شفافیت و توضیح‌پذیری مدل‌ها
• 51. عدالت و عدم تبعیض در هوش مصنوعی
• 52. استحکام و امنیت مدل‌ها
• 53. حریم خصوصی در هوش مصنوعی
• 54. داده‌های نامتوازن و روش‌های مقابله
• 55. تکنیک‌های نمونه‌گیری برای داده‌های نامتوازن
• 56. تکنیک‌های تولید داده مصنوعی
• 57. مقدمه‌ای بر شبکه‌های عصبی
• 58. ساختار پرسپترون تک‌لایه
• 59. چندلایه پرسپترون
• 60. تابع فعال‌سازی و پس‌انتشار خطا
• 61. آموزش شبکه‌های عصبی
• 62. شبکه‌های عصبی کانولوشنی (CNN)
• 63. کاربرد CNN در پردازش تصویر
• 64. مبانی شبکه‌های عصبی بازگشتی (RNN)
• 65. کاربرد RNN در پردازش زبان طبیعی
• 66. مقدمه‌ای بر پردازش زبان طبیعی
• 67. تحلیل احساسات با استفاده از مدل‌های آماری
• 68. مدل‌های زبانی آماری
• 69. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 70. تفسیر مدل‌های پردازش زبان طبیعی
• 71. مقدمه‌ای بر یادگیری تقویتی
• 72. مفاهیم عامل، محیط و پاداش
• 73. الگوریتم‌های یادگیری تقویتی
• 74. کاربردهای یادگیری تقویتی در هوش مصنوعی
• 75. مقدمه‌ای بر تحلیل داده‌های کلان
• 76. چالش‌های تحلیل داده‌های کلان
• 77. ابزارها و تکنیک‌های تحلیل داده‌های کلان
• 78. حاکمیت داده در سازمان‌ها
• 79. مقدمه‌ای بر داده‌کاوی
• 80. کشف الگوهای تکرارشونده
• 81. قوانین وابستگی
• 82. خوشه‌بندی داده‌ها
• 83. کاربرد داده‌کاوی در کسب‌وکار
• 84. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
• 85. ساخت مدل‌های پیش‌بینانه
• 86. اعتبارسنجی و بهینه‌سازی مدل‌ها
• 87. کاربردهای مدل‌سازی پیش‌بینانه
• 88. مقدمه‌ای بر هوش مصنوعی مولد
• 89. مبانی شبکه‌های مولد تخاصمی (GAN)
• 90. کاربرد GAN در تولید تصویر
• 91. مدل‌های زبانی بزرگ (LLM)
• 92. ملاحظات اخلاقی در هوش مصنوعی مولد
• 93. مقدمه‌ای بر هوش مصنوعی تفسیرپذیر (XAI)
• 94. تکنیک‌های توضیح‌پذیری محلی و سراسری
• 95. ابزارهای XAI
• 96. کاربرد XAI در صنایع مختلف
• 97. مقدمه‌ای بر هوش مصنوعی توزیع‌شده
• 98. یادگیری فدرال
• 99. حریم خصوصی در یادگیری فدرال
• 100. کاربرد هوش مصنوعی توزیع‌شده