کتاب صوتی ساخت و پیاده‌سازی الگوریتم‌های یادگیری ماشین از پایه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و پیاده‌سازی الگوریتم‌های یادگیری ماشین از پایه

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پیاده‌سازی الگوریتم‌های 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. مقدمه‌ای بر جبر خطی برای یادگیری ماشین
• 5. مبانی آمار و احتمال در یادگیری ماشین
• 6. تابع هزینه و بهینه‌سازی در یادگیری ماشین
• 7. گرادیان کاهشی و مشتقات جزئی
• 8. معرفی شبکه‌های عصبی مصنوعی
• 9. ساختار لایه‌ای شبکه‌های عصبی
• 10. توابع فعال‌سازی در شبکه‌های عصبی
• 11. پس‌انتشار خطا (Backpropagation)
• 12. پیاده‌سازی یک شبکه عصبی ساده از پایه
• 13. رگرسیون خطی و پیاده‌سازی آن
• 14. رگرسیون لجستیک و پیاده‌سازی آن
• 15. دسته‌بندی‌کننده‌ها: K-نزدیکترین همسایه (KNN)
• 16. دسته‌بندی‌کننده‌ها: ماشین بردار پشتیبان (SVM)
• 17. درختان تصمیم و پیاده‌سازی آن‌ها
• 18. جنگل‌های تصادفی و الگوریتم‌های مبتنی بر آن
• 19. خوشه‌بندی: K-Means
• 20. خوشه‌بندی: DBSCAN
• 21. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 22. مدل‌های زبانی آماری
• 23. روش‌های نمایش متن: Bag-of-Words
• 24. روش‌های نمایش متن: TF-IDF
• 25. شبکه‌های عصبی بازگشتی (RNN)
• 26. شبکه‌های حافظه کوتاه‌مدت طولانی (LSTM)
• 27. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 28. شبکه‌های عصبی کانولوشنی (CNN) برای تصویر
• 29. پردازش تصویر با CNN
• 30. تشخیص اشیاء با CNN
• 31. مقدمه‌ای بر یادگیری تقویتی
• 32. عامل و محیط در یادگیری تقویتی
• 33. یادگیری ارزش (Value Learning)
• 34. یادگیری سیاست (Policy Learning)
• 35. الگوریتم Q-Learning
• 36. الگوریتم SARSA
• 37. مقدمه‌ای بر مدل‌های مولد
• 38. مدل‌های گرافیکی احتمالاتی
• 39. شبکه‌های بیزی
• 40. میدان‌های تصادفی مارکوف
• 41. یادگیری عمیق (Deep Learning)
• 42. معماری‌های پیشرفته شبکه‌های عصبی
• 43. شبکه‌های عصبی ترنسفورمر
• 44. کاربردها و پیاده‌سازی ترنسفورمرها
• 45. یادگیری انتقالی (Transfer Learning)
• 46. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 47. مقدمه‌ای بر تشخیص گفتار
• 48. پیاده‌سازی مدل‌های تشخیص گفتار
• 49. مقدمه‌ای بر تولید متن
• 50. مدل‌های زبانی بزرگ (LLM)
• 51. کاربردهای LLM در پردازش زبان
• 52. اخلاق در هوش مصنوعی
• 53. سوگیری در الگوریتم‌های هوش مصنوعی
• 54. تفسیرپذیری مدل‌های هوش مصنوعی
• 55. امنیت در هوش مصنوعی
• 56. حریم خصوصی داده‌ها در یادگیری ماشین
• 57. روش‌های ارزیابی مدل‌های یادگیری ماشین
• 58. معیارهای ارزیابی برای رگرسیون
• 59. معیارهای ارزیابی برای دسته‌بندی
• 60. اعتبارسنجی متقابل (Cross-Validation)
• 61. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 62. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 63. انتخاب ویژگی (Feature Selection)
• 64. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 65. کاهش ابعاد: t-SNE
• 66. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)
• 67. یادگیری نیمه‌نظارت شده (Semi-supervised Learning)
• 68. یادگیری خودنظارت شده (Self-supervised Learning)
• 69. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 70. استفاده از چارچوب‌های یادگیری ماشین (TensorFlow, PyTorch)
• 71. پیاده‌سازی الگوریتم‌های کلاسیک یادگیری ماشین
• 72. ساخت مدل‌های پیش‌بینی کننده
• 73. ساخت مدل‌های دسته‌بندی کننده
• 74. ساخت سیستم‌های توصیه‌گر
• 75. مدل‌سازی سری‌های زمانی
• 76. پیش‌بینی آب و هوا با یادگیری ماشین
• 77. تحلیل احساسات با یادگیری ماشین
• 78. شناسایی چهره با یادگیری ماشین
• 79. تشخیص ناهنجاری با یادگیری ماشین
• 80. کاربرد هوش مصنوعی در سلامت
• 81. کاربرد هوش مصنوعی در آموزش
• 82. کاربرد هوش مصنوعی در صنعت
• 83. کاربرد هوش مصنوعی در امور مالی
• 84. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 85. پیاده‌سازی یادگیری فدرال
• 86. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 87. معماری و آموزش GAN ها
• 88. کاربردهای GAN در تولید تصویر
• 89. مقدمه‌ای بر مدل‌های گراف (Graph Neural Networks - GNN)
• 90. پیاده‌سازی GNN ها
• 91. کاربرد GNN ها در تحلیل شبکه‌ها
• 92. مقدمه‌ای بر تفسیرپذیری مدل‌های یادگیری عمیق
• 93. روش‌های LIME و SHAP
• 94. پیاده‌سازی روش‌های تفسیرپذیری
• 95. مقدمه‌ای بر یادگیری ترکیبی (Ensemble Learning)
• 96. تکنیک‌های Bagging و Boosting
• 97. پیاده‌سازی مدل‌های ترکیبی
• 98. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 99. روش‌های انتخاب داده در یادگیری فعال
• 100. پیاده‌سازی یادگیری فعال