کتاب صوتی مهندسی و بهینه‌سازی مدل‌های هوش مصنوعی: اصول، تنظیم و آزمایش

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی و بهینه‌سازی مدل‌های هوش مصنوعی: اصول، تنظیم و آزمایش

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی و توسعه مدل‌های هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین: نظارت شده، بدون نظارت و تقویتی
• 3. انواع مدل‌های یادگیری ماشین: رگرسیون، طبقه‌بندی، خوشه‌بندی
• 4. پیش‌پردازش داده‌ها: پاکسازی، نرمال‌سازی و مهندسی ویژگی
• 5. ارزیابی مدل‌ها: معیارهای دقت، صحت و بازیابی
• 6. تنظیم ابرپارامترها: جستجوی شبکه‌ای و جستجوی تصادفی
• 7. اعتبارسنجی متقابل: اطمینان از تعمیم‌پذیری مدل
• 8. مدل‌های خطی: رگرسیون خطی و لجستیک
• 9. ماشین‌های بردار پشتیبان (SVM)
• 10. درختان تصمیم و جنگل‌های تصادفی
• 11. مدل‌های مبتنی بر جامعه (Ensemble Methods)
• 12. شبکه‌های عصبی مصنوعی: مبانی و ساختار
• 13. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 14. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 15. شبکه‌های LSTM و GRU
• 16. مبانی یادگیری عمیق
• 17. معماری‌های پیشرفته شبکه‌های عصبی
• 18. یادگیری انتقالی (Transfer Learning)
• 19. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 20. تکنیک‌های منظم‌سازی (Regularization)
• 21. کاهش ابعاد: PCA و t-SNE
• 22. خوشه‌بندی: K-Means و DBSCAN
• 23. الگوریتم‌های انجمنی: Apriori
• 24. مدل‌های گرافیکی احتمالاتی
• 25. شبکه‌های بیزی
• 26. میدان‌های تصادفی مارکوف
• 27. پردازش زبان طبیعی (NLP): مبانی
• 28. مدل‌های زبانی آماری
• 29. مدل‌های زبانی عصبی
• 30. کاربرد مدل‌های زبانی در ترجمه ماشینی
• 31. کاربرد مدل‌های زبانی در تحلیل احساسات
• 32. کاربرد مدل‌های زبانی در خلاصه‌سازی متن
• 33. مدل‌های ترنسفورمر
• 34. مدل‌های BERT و GPT
• 35. مدل‌های تولید متن
• 36. مدل‌های تشخیص اشیاء در تصویر
• 37. مدل‌های قطعه‌بندی تصویر (Image Segmentation)
• 38. مدل‌های تشخیص ناهنجاری (Anomaly Detection)
• 39. سیستم‌های توصیه‌گر (Recommender Systems)
• 40. فیلترینگ مشارکتی
• 41. فیلترینگ مبتنی بر محتوا
• 42. یادگیری تقویتی: مبانی
• 43. عامل‌ها و محیط‌ها در یادگیری تقویتی
• 44. یادگیری Q
• 45. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 46. الگوریتم‌های Actor-Critic
• 47. کاربردهای یادگیری تقویتی در رباتیک
• 48. کاربردهای یادگیری تقویتی در بازی‌ها
• 49. کاربردهای یادگیری تقویتی در بهینه‌سازی
• 50. آزمایش مدل‌ها: طراحی آزمایش
• 51. جمع‌آوری و آماده‌سازی داده‌های آزمایشی
• 52. اجرای آزمایش‌ها و ثبت نتایج
• 53. تحلیل آماری نتایج آزمایش
• 54. تفسیر نتایج و استنتاج
• 55. مستندسازی فرآیند مهندسی و آزمایش
• 56. نکات اخلاقی در توسعه هوش مصنوعی
• 57. حریم خصوصی داده‌ها در هوش مصنوعی
• 58. امنیت مدل‌های هوش مصنوعی
• 59. سوگیری در مدل‌های هوش مصنوعی
• 60. روش‌های کاهش سوگیری
• 61. تفسیرپذیری مدل‌های هوش مصنوعی (XAI)
• 62. تکنیک‌های LIME و SHAP
• 63. اعتبارسنجی مدل در محیط عملیاتی
• 64. استقرار مدل‌های هوش مصنوعی
• 65. نظارت بر عملکرد مدل پس از استقرار
• 66. بازآموزی و به‌روزرسانی مدل‌ها
• 67. مدیریت چرخه عمر مدل‌های هوش مصنوعی
• 68. مقدمه‌ای بر مهندسی ویژگی در هوش مصنوعی
• 69. مهندسی ویژگی برای داده‌های عددی
• 70. مهندسی ویژگی برای داده‌های دسته‌ای
• 71. مهندسی ویژگی برای داده‌های متنی
• 72. مهندسی ویژگی برای داده‌های زمانی
• 73. استفاده از کتابخانه‌های پایتون برای مهندسی ویژگی
• 74. نمونه‌سازی اولیه مدل‌های هوش مصنوعی
• 75. توسعه سریع مدل‌ها
• 76. ارزیابی اولیه عملکرد مدل
• 77. تکرار و بهبود مدل‌ها
• 78. مبانی بهینه‌سازی مدل‌های هوش مصنوعی
• 79. بهینه‌سازی پارامترهای مدل
• 80. بهینه‌سازی معماری مدل
• 81. استفاده از ابزارهای بهینه‌سازی خودکار
• 82. روش‌های گرادیان کاهشی پیشرفته
• 83. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 84. مدیریت بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 85. تکنیک‌های جلوگیری از بیش‌برازش
• 86. تنظیم ضریب منظم‌سازی
• 87. استفاده از Dropout در شبکه‌های عصبی
• 88. استفاده از Batch Normalization
• 89. مبانی آزمایش مدل‌های هوش مصنوعی
• 90. طراحی سناریوهای آزمایشی
• 91. تولید داده‌های مصنوعی برای آزمایش
• 92. آزمایش در شرایط مرزی
• 93. آزمایش مقایسه‌ای بین مدل‌ها
• 94. استفاده از ابزارهای تحلیل خطا
• 95. مستندسازی نتایج آزمایش‌ها
• 96. ارائه نتایج آزمایش‌ها
• 97. فرهنگ آزمایش در تیم‌های هوش مصنوعی
• 98. کاربرد ابزارهای MLOps در مهندسی مدل
• 99. مدیریت مخازن کد و داده
• 100. اتوماسیون فرآیندهای ساخت و استقرار