کتاب صوتی ساخت مدل‌های پیش‌بین با یادگیری نظارت‌شده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مدل‌های پیش‌بین با یادگیری نظارت‌شده

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: مدل‌سازی پیش‌بین و یادگیری نظارت‌شده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و هوش مصنوعی
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری نظارت‌شده: تعاریف و اصول
• 5. مدل‌سازی پیش‌بین: مفاهیم کلیدی
• 6. مراحل ساخت مدل پیش‌بین
• 7. جمع‌آوری و آماده‌سازی داده‌ها
• 8. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 9. مهندسی ویژگی
• 10. انتخاب ویژگی
• 11. ارزیابی مدل‌های یادگیری نظارت‌شده
• 12. معیارهای ارزیابی: دقت، صحت، بازیابی
• 13. منحنی ROC و AUC
• 14. رگرسیون خطی
• 15. رگرسیون لجستیک
• 16. درختان تصمیم
• 17. جنگل‌های تصادفی
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. شبکه‌های عصبی مصنوعی
• 20. مقدمه‌ای بر شبکه‌های عصبی
• 21. لایه‌های شبکه عصبی
• 22. توابع فعال‌سازی
• 23. پس‌انتشار خطا
• 24. کاربرد شبکه‌های عصبی در مدل‌سازی پیش‌بین
• 25. یادگیری عمیق
• 26. مقدمه‌ای بر یادگیری عمیق
• 27. شبکه‌های عصبی کانولوشنی (CNN)
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. کاربرد یادگیری عمیق در علم داده
• 30. مدل‌سازی سری‌های زمانی
• 31. پیش‌بینی سری‌های زمانی
• 32. مدل‌های ARIMA
• 33. مدل‌های LSTM برای سری‌های زمانی
• 34. کاربرد مدل‌سازی سری‌های زمانی
• 35. تشخیص ناهنجاری (Anomaly Detection)
• 36. روش‌های مبتنی بر آمار
• 37. روش‌های مبتنی بر یادگیری ماشین
• 38. کاربرد تشخیص ناهنجاری
• 39. سیستم‌های توصیه‌گر
• 40. مبانی سیستم‌های توصیه‌گر
• 41. فیلترینگ مبتنی بر محتوا
• 42. فیلترینگ مشارکتی
• 43. ترکیب روش‌ها
• 44. کاربرد سیستم‌های توصیه‌گر
• 45. پردازش زبان طبیعی (NLP)
• 46. مبانی NLP
• 47. مدل‌سازی موضوعی
• 48. تحلیل احساسات
• 49. کاربرد NLP در علم داده
• 50. بینایی ماشین (Computer Vision)
• 51. مبانی بینایی ماشین
• 52. تشخیص و شناسایی اشیاء
• 53. تقسیم‌بندی تصویر
• 54. کاربرد بینایی ماشین
• 55. اخلاق در هوش مصنوعی
• 56. سوگیری در داده‌ها و مدل‌ها
• 57. عدالت و شفافیت در هوش مصنوعی
• 58. حریم خصوصی و امنیت داده‌ها
• 59. مسئولیت‌پذیری در هوش مصنوعی
• 60. مدل‌سازی پیش‌بین برای کسب‌وکار
• 61. تحلیل مشتریان
• 62. پیش‌بینی تقاضا
• 63. تشخیص تقلب
• 64. بهینه‌سازی عملیات
• 65. کاربرد مدل‌سازی پیش‌بین در صنایع مختلف
• 66. مدل‌سازی پیش‌بین در بهداشت و درمان
• 67. تشخیص بیماری
• 68. پیش‌بینی اثربخشی درمان
• 69. مدیریت منابع بیمارستانی
• 70. کاربرد مدل‌سازی پیش‌بین در بهداشت و درمان
• 71. مدل‌سازی پیش‌بین در امور مالی
• 72. امتیازدهی اعتباری
• 73. پیش‌بینی بازار سهام
• 74. مدیریت ریسک
• 75. کاربرد مدل‌سازی پیش‌بین در امور مالی
• 76. پیاده‌سازی مدل‌ها در پایتون
• 77. کتابخانه‌های کلیدی: Scikit-learn, TensorFlow, PyTorch
• 78. ساخت و آموزش مدل‌ها با Scikit-learn
• 79. ارزیابی و تنظیم مدل‌ها
• 80. کاربرد TensorFlow برای یادگیری عمیق
• 81. کاربرد PyTorch برای یادگیری عمیق
• 82. استقرار مدل‌های پیش‌بین
• 83. مبانی استقرار مدل
• 84. روش‌های استقرار آنلاین و آفلاین
• 85. ساخت API برای مدل‌ها
• 86. مانیتورینگ و به‌روزرسانی مدل‌ها
• 87. مقدمه‌ای بر یادگیری تقویتی
• 88. اصول یادگیری تقویتی
• 89. عامل و محیط
• 90. پاداش و سیاست
• 91. الگوریتم‌های یادگیری تقویتی
• 92. کاربرد یادگیری تقویتی
• 93. مباحث پیشرفته در مدل‌سازی پیش‌بین
• 94. یادگیری چند وظیفه‌ای
• 95. یادگیری انتقالی
• 96. یادگیری فعال
• 97. یادگیری خودنظارت‌شده
• 98. آینده علم داده و هوش مصنوعی
• 99. روندهای نوظهور
• 100. چالش‌های پیش رو