کتاب صوتی مبانی یادگیری ماشین: الگوریتم‌ها و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین: الگوریتم‌ها و کاربردها

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و مهندسی نرم‌افزار
• 2. تاریخچه و تکامل علوم کامپیوتر
• 3. مفاهیم پایه در مهندسی نرم‌افزار
• 4. چرخه حیات توسعه نرم‌افزار
• 5. روش‌های توسعه نرم‌افزار: آبشاری و چابک
• 6. مبانی برنامه‌نویسی و ساختار داده‌ها
• 7. الگوریتم‌ها و پیچیدگی محاسباتی
• 8. مقدمه‌ای بر هوش مصنوعی
• 9. تاریخچه هوش مصنوعی
• 10. انواع هوش مصنوعی: ضعیف و قوی
• 11. یادگیری ماشین: تعاریف و مفاهیم کلیدی
• 12. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 13. یادگیری تحت نظارت: رگرسیون خطی
• 14. یادگیری تحت نظارت: رگرسیون لجستیک
• 15. یادگیری تحت نظارت: ماشین‌های بردار پشتیبان (SVM)
• 16. یادگیری تحت نظارت: درخت‌های تصمیم
• 17. یادگیری تحت نظارت: جنگل‌های تصادفی
• 18. یادگیری تحت نظارت: الگوریتم‌های دسته‌بندی
• 19. ارزیابی مدل‌های یادگیری تحت نظارت: معیارها
• 20. یادگیری بدون نظارت: خوشه‌بندی
• 21. یادگیری بدون نظارت: K-Means
• 22. یادگیری بدون نظارت: خوشه‌بندی سلسله مراتبی
• 23. یادگیری بدون نظارت: کاهش ابعاد
• 24. یادگیری بدون نظارت: تحلیل مؤلفه‌های اصلی (PCA)
• 25. یادگیری تقویتی: مفاهیم پایه
• 26. یادگیری تقویتی: یادگیری عامل و محیط
• 27. یادگیری تقویتی: پاداش و جریمه
• 28. یادگیری تقویتی: سیاست‌ها و توابع ارزش
• 29. یادگیری تقویتی: الگوریتم‌های Q-Learning
• 30. شبکه‌های عصبی مصنوعی: مفاهیم پایه
• 31. ساختار شبکه عصبی: نورون‌ها و لایه‌ها
• 32. توابع فعال‌سازی در شبکه‌های عصبی
• 33. آموزش شبکه‌های عصبی: انتشار رو به عقب (Backpropagation)
• 34. شبکه‌های عصبی عمیق (Deep Learning)
• 35. شبکه‌های عصبی کانولوشنال (CNN)
• 36. کاربردهای CNN در بینایی ماشین
• 37. شبکه‌های عصبی بازگشتی (RNN)
• 38. کاربردهای RNN در پردازش زبان طبیعی
• 39. شبکه‌های عصبی حافظه طولانی کوتاه مدت (LSTM)
• 40. یادگیری عمیق و پردازش زبان طبیعی
• 41. مدل‌های زبانی
• 42. پردازش متن: پیش‌پردازش و استخراج ویژگی
• 43. تحلیل احساسات با استفاده از یادگیری ماشین
• 44. سیستم‌های توصیه‌گر
• 45. مبانی پایگاه داده در مهندسی نرم‌افزار
• 46. مدل‌سازی داده‌ها: موجودیت-رابطه
• 47. طراحی پایگاه داده رابطه‌ای
• 48. زبان پرس و جوی ساختاریافته (SQL)
• 49. مبانی شبکه‌های کامپیوتری
• 50. معماری اینترنت
• 51. پروتکل‌های ارتباطی: TCP/IP
• 52. امنیت در شبکه‌ها و سیستم‌ها
• 53. مبانی رمزنگاری
• 54. رمزنگاری متقارن و نامتقارن
• 55. امضای دیجیتال
• 56. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 57. سوگیری در داده‌ها و الگوریتم‌ها
• 58. تفسیرپذیری در یادگیری ماشین
• 59. کاربردهای یادگیری ماشین در صنعت
• 60. یادگیری ماشین در حوزه سلامت
• 61. یادگیری ماشین در حوزه مالی
• 62. یادگیری ماشین در حوزه تولید
• 63. یادگیری ماشین در حوزه آموزش
• 64. پردازش تصویر با استفاده از یادگیری ماشین
• 65. تشخیص اشیاء در تصاویر
• 66. بخش‌بندی تصاویر
• 67. تولید تصویر با شبکه‌های مولد تخاصمی (GAN)
• 68. پردازش گفتار و تشخیص صدا
• 69. ترجمه ماشینی
• 70. مقدمه‌ای بر مهندسی دانش
• 71. سیستم‌های خبره
• 72. منطق فازی
• 73. شبکه‌های بیزی
• 74. یادگیری ماشین در رباتیک
• 75. کنترل ربات با یادگیری تقویتی
• 76. ناوبری ربات با یادگیری ماشین
• 77. بینایی ماشین در رباتیک
• 78. کاربردهای پیشرفته یادگیری ماشین
• 79. یادگیری فلزی (Meta-Learning)
• 80. یادگیری انتقالی (Transfer Learning)
• 81. یادگیری فدرال (Federated Learning)
• 82. هوش مصنوعی توضیح‌پذیر (XAI)
• 83. اخلاق و مسئولیت‌پذیری در توسعه هوش مصنوعی
• 84. نظام حقوقی و چارچوب‌های قانونی هوش مصنوعی در ایران
• 85. کاربرد هوش مصنوعی در نظام اداری و خدمات عمومی
• 86. توسعه ابزارهای هوشمند بومی
• 87. مبانی حقوقی و شرعی داده‌ها و اطلاعات
• 88. حریم خصوصی در عصر دیجیتال
• 89. امنیت اطلاعات در سامانه‌های هوشمند
• 90. چالش‌ها و فرصت‌های هوش مصنوعی در اقتصاد مقاومتی
• 91. نقش هوش مصنوعی در خودکفایی فناورانه
• 92. چارچوب‌های توسعه پایدار با رویکرد هوش مصنوعی
• 93. ارزیابی تأثیرات اجتماعی و فرهنگی هوش مصنوعی
• 94. مباحث پیشرفته در یادگیری ماشین
• 95. یادگیری عمیق مولد (Generative Deep Learning)
• 96. شبکه‌های عصبی گراف (Graph Neural Networks)
• 97. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 98. نظریه بازی‌ها و هوش مصنوعی
• 99. بهینه‌سازی در یادگیری ماشین
• 100. ارزیابی و انتخاب مدل در عمل