کتاب صوتی استقرار پایان به پایان مدل‌های یادگیری ماشین برای دسترسی‌پذیری و کاربردپذیری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار پایان به پایان مدل‌های یادگیری ماشین برای دسترسی‌پذیری و کاربردپذیری

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی و بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین: نظارت شده، بدون نظارت، و تقویتی
• 3. انواع الگوریتم‌های یادگیری ماشین
• 4. پیش‌پردازش داده‌ها و مهندسی ویژگی
• 5. آماده‌سازی داده‌ها برای مدل‌سازی
• 6. انتخاب ویژگی و کاهش ابعاد
• 7. ارزیابی مدل‌های یادگیری ماشین
• 8. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 9. معیارهای ارزیابی مدل‌های رگرسیون
• 10. اعتبارسنجی متقابل و تنظیم هایپرپارامترها
• 11. مدل‌های خطی: رگرسیون خطی و لجستیک
• 12. تفسیر و کاربردهای مدل‌های خطی
• 13. ماشین‌های بردار پشتیبان (SVM)
• 14. کاربردها و محدودیت‌های SVM
• 15. درختان تصمیم و جنگل‌های تصادفی
• 16. کاربردها و مزایای درختان تصمیم
• 17. مدل‌های مبتنی بر انجمن (Ensemble Methods)
• 18. تقویت گرادیان (Gradient Boosting)
• 19. کاربردها و بهینه‌سازی مدل‌های انجمن
• 20. شبکه‌های عصبی مصنوعی: مبانی
• 21. معماری شبکه‌های عصبی پیشخور
• 22. توابع فعال‌سازی و پس‌انتشار خطا
• 23. شبکه‌های عصبی کانولوشنی (CNN)
• 24. کاربرد CNN در پردازش تصویر
• 25. شبکه‌های عصبی بازگشتی (RNN)
• 26. کاربرد RNN در پردازش زبان طبیعی
• 27. شبکه‌های عصبی ترنسفورمر
• 28. مقدمه‌ای بر یادگیری عمیق
• 29. آموزش شبکه‌های عصبی عمیق
• 30. تنظیم‌کننده‌ها (Regularization) در شبکه‌های عصبی
• 31. بهینه‌سازی مدل‌های یادگیری عمیق
• 32. معماری‌های پیشرفته شبکه‌های عصبی
• 33. یادگیری انتقالی (Transfer Learning)
• 34. کاربرد یادگیری انتقالی
• 35. مدل‌های زبانی بزرگ (LLMs)
• 36. مقدمه‌ای بر استقرار مدل (Model Deployment)
• 37. چرخه حیات مدل یادگیری ماشین
• 38. انتخاب معماری مدل مناسب
• 39. بهینه‌سازی مدل برای استقرار
• 40. فشرده‌سازی مدل و کوانتیزاسیون
• 41. تکنیک‌های بهبود سرعت استنتاج
• 42. استقرار مدل در محیط‌های ابری
• 43. پلتفرم‌های ابری برای هوش مصنوعی
• 44. استقرار مدل در دستگاه‌های لبه (Edge Devices)
• 45. ملاحظات امنیتی در استقرار مدل
• 46. پایش و نگهداری مدل‌های مستقر شده
• 47. بازآموزی مدل و مدیریت تغییرات
• 48. مدیریت نسخه مدل‌ها
• 49. معماری‌های سیستم‌های یادگیری ماشین
• 50. سیستم‌های توصیه گر
• 51. کاربرد سیستم‌های توصیه گر
• 52. پردازش زبان طبیعی (NLP)
• 53. کاربرد NLP در استخراج اطلاعات
• 54. تحلیل احساسات و نظرکاوی
• 55. ترجمه ماشینی
• 56. پردازش گفتار
• 57. بینایی ماشین
• 58. تشخیص اشیاء در تصویر
• 59. تشخیص چهره و شناسایی هویت
• 60. تولید تصویر و ویدئو
• 61. اخلاق در هوش مصنوعی
• 62. سوگیری در مدل‌های هوش مصنوعی
• 63. کاهش سوگیری در مدل‌ها
• 64. شفافیت و قابلیت تفسیر مدل‌ها
• 65. مسئولیت‌پذیری در هوش مصنوعی
• 66. حریم خصوصی داده‌ها و هوش مصنوعی
• 67. کاربردهای صنعتی هوش مصنوعی
• 68. هوش مصنوعی در سلامت
• 69. هوش مصنوعی در مالی
• 70. هوش مصنوعی در حمل و نقل
• 71. هوش مصنوعی در آموزش
• 72. هوش مصنوعی در تولید
• 73. هوش مصنوعی در کشاورزی
• 74. هوش مصنوعی در تحقیقات علمی
• 75. مقدمه‌ای بر یادگیری تقویتی
• 76. عناصر یادگیری تقویتی
• 77. الگوریتم‌های یادگیری تقویتی
• 78. کاربرد یادگیری تقویتی در رباتیک
• 79. کاربرد یادگیری تقویتی در بازی‌ها
• 80. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 81. چالش‌های یادگیری تقویتی
• 82. مبانی مهندسی نرم‌افزار برای هوش مصنوعی
• 83. اصول توسعه نرم‌افزار چابک
• 84. مدیریت پروژه در پروژه‌های هوش مصنوعی
• 85. مستندسازی فنی مدل‌ها و سیستم‌ها
• 86. تست و اعتبارسنجی سیستم‌های هوش مصنوعی
• 87. استقرار پایدار و مقیاس‌پذیر مدل‌ها
• 88. مقدمه‌ای بر MLOps
• 89. ابزارها و تکنیک‌های MLOps
• 90. خودکارسازی چرخه عمر مدل
• 91. نظارت بر عملکرد مدل در تولید
• 92. مدیریت داده‌ها در MLOps
• 93. امنیت در MLOps
• 94. ارزیابی و انتخاب ابزارهای MLOps
• 95. روندهای آینده در هوش مصنوعی
• 96. هوش مصنوعی مولد
• 97. هوش مصنوعی فدرال (Federated Learning)
• 98. هوش مصنوعی قابل توضیح (Explainable AI - XAI)
• 99. هوش مصنوعی سبز (Green AI)
• 100. تکامل هوش مصنوعی و یادگیری ماشین