کتاب صوتی اصول و تکنیک‌های بهینه‌سازی مدل در یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول و تکنیک‌های بهینه‌سازی مدل در یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و بهینه‌سازی مدل
• 2. انواع مسائل در یادگیری ماشین
• 3. داده‌ها و پیش‌پردازش آن‌ها
• 4. مهندسی ویژگی و انتخاب ویژگی
• 5. مقدمه‌ای بر مدل‌های خطی
• 6. رگرسیون خطی و ارزیابی آن
• 7. تنظیم‌گری (Regularization) در مدل‌های خطی
• 8. لasso و Ridge Regression
• 9. مدل‌های طبقه‌بندی
• 10. رگرسیون لجستیک
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. هسته‌ها در SVM
• 13. درختان تصمیم
• 14. جنگل‌های تصادفی (Random Forests)
• 15. تقویت گرادیان (Gradient Boosting)
• 16. مدل‌های مبتنی بر Boosting: XGBoost
• 17. شبکه‌های عصبی مصنوعی
• 18. معماری شبکه‌های عصبی
• 19. توابع فعال‌سازی
• 20. پس‌انتشار خطا (Backpropagation)
• 21. بهینه‌سازی در شبکه‌های عصبی
• 22. روش‌های گرادیان نزولی (Gradient Descent)
• 23. Momentum و Adam Optimizer
• 24. نرخ یادگیری (Learning Rate) و تنظیم آن
• 25. مدیریت نرخ یادگیری
• 26. تنظیم‌گری در شبکه‌های عصبی
• 27. Dropout و Batch Normalization
• 28. معماری‌های پیشرفته شبکه عصبی
• 29. شبکه‌های عصبی کانولوشنال (CNN)
• 30. کاربرد CNN در بینایی ماشین
• 31. شبکه‌های عصبی بازگشتی (RNN)
• 32. کاربرد RNN در پردازش زبان طبیعی
• 33. حافظه طولانی کوتاه مدت (LSTM)
• 34. واحدهای بازگشتی گریه (GRU)
• 35. مدل‌های ترنسفورمر (Transformer)
• 36. توجه (Attention Mechanism)
• 37. پردازش زبان طبیعی با مدل‌های ترنسفورمر
• 38. مدل‌های زبانی بزرگ (LLMs)
• 39. مقدمه‌ای بر بهینه‌سازی مدل
• 40. تکنیک‌های کاهش ابعاد
• 41. تحلیل مولفه‌های اصلی (PCA)
• 42. توزیع یکنواخت تصادفی (UMAP)
• 43. یادگیری نمایندگی (Representation Learning)
• 44. یادگیری نیمه‌نظارتی
• 45. یادگیری تقویتی
• 46. مقدمه‌ای بر یادگیری تقویتی
• 47. عوامل و محیط در یادگیری تقویتی
• 48. روش‌های مبتنی بر ارزش (Value-based methods)
• 49. روش‌های مبتنی بر سیاست (Policy-based methods)
• 50. الگوریتم Q-Learning
• 51. الگوریتم SARSA
• 52. الگوریتم Policy Gradients
• 53. الگوریتم Actor-Critic
• 54. کاربردهای یادگیری تقویتی
• 55. بهینه‌سازی ابرپارامترها (Hyperparameter Optimization)
• 56. جستجوی شبکه‌ای (Grid Search)
• 57. جستجوی تصادفی (Random Search)
• 58. بهینه‌سازی بیزی (Bayesian Optimization)
• 59. الگوریتم‌های ژنتیک برای بهینه‌سازی
• 60. تشخیص زودهنگام بیش‌برازش (Overfitting)
• 61. تکنیک‌های جلوگیری از بیش‌برازش
• 62. اعتبارسنجی متقابل (Cross-validation)
• 63. اعتبارسنجی K-fold
• 64. اعتبارسنجی Out-of-Sample
• 65. ارزیابی مدل‌ها
• 66. معیارهای ارزیابی برای رگرسیون
• 67. خطای میانگین مربعات (MSE)
• 68. خطای جذر میانگین مربعات (RMSE)
• 69. خطای میانگین قدر مطلق (MAE)
• 70. ضریب تعیین (R-squared)
• 71. معیارهای ارزیابی برای طبقه‌بندی
• 72. دقت (Accuracy)
• 73. صحت (Precision) و بازیابی (Recall)
• 74. امتیاز F1
• 75. منحنی ROC و AUC
• 76. ماتریس درهم‌ریختگی (Confusion Matrix)
• 77. تنظیم مدل برای عملکرد بهتر
• 78. تکنیک‌های انطباق مدل
• 79. تفسیرپذیری مدل‌های یادگیری ماشین
• 80. روش‌های LIME و SHAP
• 81. اخلاق در هوش مصنوعی
• 82. سوگیری در داده‌ها و مدل‌ها
• 83. عدالت و شفافیت در هوش مصنوعی
• 84. حریم خصوصی در هوش مصنوعی
• 85. امنیت مدل‌های یادگیری ماشین
• 86. حملات متخاصم (Adversarial Attacks)
• 87. روش‌های دفاع در برابر حملات متخاصم
• 88. کاربردهای عملی بهینه‌سازی مدل
• 89. هوش مصنوعی در صنعت
• 90. هوش مصنوعی در پزشکی
• 91. هوش مصنوعی در مالی
• 92. هوش مصنوعی در حمل و نقل
• 93. آینده بهینه‌سازی مدل در یادگیری ماشین
• 94. روندهای جدید در بهینه‌سازی مدل
• 95. ابزارها و کتابخانه‌های بهینه‌سازی مدل
• 96. مقدمه‌ای بر TensorFlow و Keras
• 97. مقدمه‌ای بر PyTorch
• 98. کار با Scikit-learn برای بهینه‌سازی
• 99. نکات پیشرفته در بهینه‌سازی مدل
• 100. بهینه‌سازی مدل برای دستگاه‌های لبه (Edge Devices)