کتاب صوتی طراحی و پیاده‌سازی سیستم‌های توصیه‌گر با رویکردهای یادگیری ماشین و هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی سیستم‌های توصیه‌گر با رویکردهای یادگیری ماشین و هوش مصنوعی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: سیستم‌های توصیه‌گر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت‌شده
• 5. یادگیری نظارت‌نشده
• 6. یادگیری تقویتی
• 7. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 8. کاربرد سیستم‌های توصیه‌گر
• 9. انواع سیستم‌های توصیه‌گر
• 10. فیلترینگ مبتنی بر محتوا
• 11. فیلترینگ مشارکتی
• 12. مدل‌های مختلط
• 13. مقدمه‌ای بر داده‌کاوی
• 14. پیش‌پردازش داده‌ها
• 15. مهندسی ویژگی
• 16. مدل‌سازی داده‌ها
• 17. ارزیابی مدل‌ها
• 18. متریک‌های ارزیابی سیستم‌های توصیه‌گر
• 19. دقت و فراخوانی
• 20. میانگین دقت در رتبه اول
• 21. MSE و RMSE
• 22. معیارهای پوشش و تنوع
• 23. مبانی ریاضی در سیستم‌های توصیه‌گر
• 24. جبر خطی
• 25. حساب دیفرانسیل و انتگرال
• 26. آمار و احتمالات
• 27. الگوریتم‌های پایه در یادگیری ماشین
• 28. رگرسیون خطی
• 29. رگرسیون لجستیک
• 30. ماشین‌های بردار پشتیبان (SVM)
• 31. درختان تصمیم
• 32. جنگل‌های تصادفی
• 33. تکنیک‌های خوشه‌بندی
• 34. K-Means
• 35. خوشه‌بندی سلسله‌مراتبی
• 36. DBSCAN
• 37. مقدمه‌ای بر شبکه‌های عصبی
• 38. نورون‌های مصنوعی
• 39. شبکه‌های عصبی پیش‌خور
• 40. پس‌انتشار خطا
• 41. شبکه‌های عصبی کانولوشنی (CNN)
• 42. شبکه‌های عصبی بازگشتی (RNN)
• 43. شبکه‌های عصبی ترنسفورمر
• 44. کاربرد شبکه‌های عصبی در سیستم‌های توصیه‌گر
• 45. یادگیری عمیق برای فیلترینگ مشارکتی
• 46. مدل‌های مبتنی بر فاکتوربندی ماتریس با یادگیری عمیق
• 47. مدل‌های مبتنی بر محتوا با یادگیری عمیق
• 48. معماری‌های ترنسفورمر برای توصیه‌گرها
• 49. پردازش زبان طبیعی (NLP) در سیستم‌های توصیه‌گر
• 50. استخراج ویژگی از متن
• 51. تحلیل احساسات
• 52. مدل‌سازی موضوعی
• 53. کاربرد NLP در توصیف آیتم‌ها
• 54. تکنیک‌های تولید توضیحات آیتم
• 55. مدیریت داده‌های پراکنده
• 56. تکنیک‌های مقابله با داده‌های نامتعادل
• 57. کاهش ابعاد
• 58. SVD و PCA
• 59. تکنیک‌های تعبیه (Embeddings)
• 60. Word2Vec
• 61. GloVe
• 62. FastText
• 63. تعبیه‌های آیتم و کاربر
• 64. طراحی سیستم‌های توصیه‌گر مقیاس‌پذیر
• 65. معماری سیستم‌های توصیه‌گر توزیع‌شده
• 66. پردازش دسته‌ای در مقابل پردازش جریانی
• 67. بهینه‌سازی عملکرد سیستم‌های توصیه‌گر
• 68. تست A/B و ارزیابی میدانی
• 69. قابلیت تفسیر در سیستم‌های توصیه‌گر
• 70. تکنیک‌های توضیح‌دهی توصیه‌ها
• 71. مسائل اخلاقی در سیستم‌های توصیه‌گر
• 72. حریم خصوصی کاربران
• 73. سوگیری در توصیه‌ها
• 74. عدالت در توصیه‌ها
• 75. ملاحظات امنیتی در سیستم‌های توصیه‌گر
• 76. پیاده‌سازی سیستم‌های توصیه‌گر در عمل
• 77. ابزارها و کتابخانه‌های رایج
• 78. TensorFlow و PyTorch
• 79. Scikit-learn
• 80. Spark MLlib
• 81. نمونه‌های کاربردی سیستم‌های توصیه‌گر
• 82. توصیه‌گرهای فیلم و موسیقی
• 83. توصیه‌گرهای محصولات فروشگاهی
• 84. توصیه‌گرهای محتوای خبری
• 85. توصیه‌گرهای شبکه‌های اجتماعی
• 86. مباحث پیشرفته در سیستم‌های توصیه‌گر
• 87. توصیه‌گرهای مبتنی بر دانش
• 88. توصیه‌گرهای مبتنی بر گراف
• 89. توصیه‌گرهای چندبعدی
• 90. توصیه‌گرهای تعاملی
• 91. سیستم‌های توصیه‌گر برای پلتفرم‌های خاص
• 92. تجارت الکترونیک
• 93. رسانه‌های دیجیتال
• 94. مراقبت‌های بهداشتی
• 95. آموزش
• 96. آینده سیستم‌های توصیه‌گر
• 97. هوش مصنوعی مولد و سیستم‌های توصیه‌گر
• 98. سیستم‌های توصیه‌گر شخصی‌سازی‌شده عمیق
• 99. توصیه‌های اخلاقی و مسئولانه
• 100. پروژه‌های عملی و مطالعات موردی