کتاب صوتی طراحی، بهینه‌سازی و اعتبارسنجی مدل‌های یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی، بهینه‌سازی و اعتبارسنجی مدل‌های یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: ساخت و اعتبارسنجی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری با نظارت
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مراحل ساخت مدل یادگیری ماشین
• 8. جمع‌آوری و آماده‌سازی داده‌ها
• 9. پاکسازی داده‌ها
• 10. مهندسی ویژگی
• 11. انتخاب ویژگی
• 12. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 13. معرفی الگوریتم‌های یادگیری ماشین
• 14. رگرسیون خطی
• 15. رگرسیون لجستیک
• 16. ماشین‌های بردار پشتیبان (SVM)
• 17. درختان تصمیم
• 18. جنگل‌های تصادفی
• 19. مدل‌های گرادیان بوستینگ
• 20. شبکه‌های عصبی مصنوعی
• 21. شبکه‌های عصبی کانولوشنال (CNN)
• 22. شبکه‌های عصبی بازگشتی (RNN)
• 23. ترنسفورمرها
• 24. معیارهای ارزیابی مدل‌های یادگیری ماشین
• 25. معیارهای ارزیابی برای رگرسیون
• 26. میانگین مربعات خطا (MSE)
• 27. ریشه میانگین مربعات خطا (RMSE)
• 28. میانگین قدر مطلق خطا (MAE)
• 29. ضریب تعیین (R-squared)
• 30. معیارهای ارزیابی برای طبقه‌بندی
• 31. دقت (Accuracy)
• 32. صحت (Precision)
• 33. بازیابی (Recall)
• 34. امتیاز F1
• 35. منحنی ROC و مساحت زیر منحنی (AUC)
• 36. ماتریس درهم‌ریختگی (Confusion Matrix)
• 37. اعتبارسنجی مدل
• 38. اعتبارسنجی متقابل (Cross-Validation)
• 39. اعتبارسنجی K-Fold
• 40. اعتبارسنجی Leave-One-Out
• 41. اعتبارسنجی زمان‌بندی شده (Time Series Cross-Validation)
• 42. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 43. جستجوی شبکه‌ای (Grid Search)
• 44. جستجوی تصادفی (Random Search)
• 45. بهینه‌سازی بیزی (Bayesian Optimization)
• 46. تکنیک‌های تنظیم ابرپارامتر پیشرفته
• 47. پیشگیری از بیش‌برازش (Overfitting)
• 48. روش‌های منظم‌سازی (Regularization)
• 49. L1 Regularization (Lasso)
• 50. L2 Regularization (Ridge)
• 51. Elastic Net
• 52. Dropout در شبکه‌های عصبی
• 53. Early Stopping
• 54. پیشگیری از کم‌برازش (Underfitting)
• 55. مدل‌های پیچیده‌تر
• 56. افزایش داده‌ها (Data Augmentation)
• 57. انتخاب مدل مناسب
• 58. مقایسه مدل‌های مختلف
• 59. تفسیرپذیری مدل‌های یادگیری ماشین
• 60. تکنیک‌های تفسیرپذیری
• 61. اهمیت ویژگی (Feature Importance)
• 62. تأثیر متغیرهای مستقل بر متغیر وابسته
• 63. تفسیرپذیری مدل‌های یادگیری عمیق
• 64. مدل‌های قابل توضیح (Explainable AI - XAI)
• 65. ملاحظات اخلاقی در هوش مصنوعی
• 66. سوگیری در داده‌ها و مدل‌ها
• 67. عدالت و انصاف در هوش مصنوعی
• 68. شفافیت و پاسخگویی
• 69. حریم خصوصی داده‌ها
• 70. کاربرد هوش مصنوعی در صنایع مختلف
• 71. هوش مصنوعی در پزشکی
• 72. هوش مصنوعی در امور مالی
• 73. هوش مصنوعی در صنعت
• 74. هوش مصنوعی در حمل و نقل
• 75. هوش مصنوعی در آموزش
• 76. هوش مصنوعی در خدمات مشتریان
• 77. مباحث پیشرفته در یادگیری ماشین
• 78. یادگیری انتقالی (Transfer Learning)
• 79. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 80. یادگیری فعال (Active Learning)
• 81. یادگیری ترکیبی (Ensemble Learning)
• 82. یادگیری عمیق برای پردازش زبان طبیعی
• 83. یادگیری عمیق برای بینایی ماشین
• 84. بهینه‌سازی مدل برای استقرار
• 85. ملاحظات عملی در پیاده‌سازی مدل
• 86. پایش مدل در محیط عملیاتی
• 87. بازآموزی مدل
• 88. مدیریت چرخه عمر مدل
• 89. آینده هوش مصنوعی و یادگیری ماشین
• 90. نوآوری‌ها و روندهای جدید
• 91. چالش‌های آینده
• 92. هوش مصنوعی و تأثیر آن بر جامعه
• 93. جمع‌بندی و نگاه به آینده