کتاب صوتی هوش مصنوعی و یادگیری ماشین (ML) با Core ML در iOS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی و یادگیری ماشین (ML) با Core ML در iOS

موضوع کلی: برنامه نویسی

موضوع میانی: برنامه‌نویسی iOS (iOS Native)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه در یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. یادگیری ماشین نظارت شده: رگرسیون خطی
• 5. یادگیری ماشین نظارت شده: رگرسیون لجستیک
• 6. یادگیری ماشین نظارت شده: ماشین‌های بردار پشتیبان (SVM)
• 7. یادگیری ماشین نظارت شده: درختان تصمیم
• 8. یادگیری ماشین نظارت شده: جنگل‌های تصادفی
• 9. یادگیری ماشین نظارت شده: مدل‌های مبتنی بر مجموعه (Ensemble Models)
• 10. یادگیری ماشین بدون نظارت: خوشه‌بندی K-Means
• 11. یادگیری ماشین بدون نظارت: خوشه‌بندی سلسله مراتبی
• 12. یادگیری ماشین بدون نظارت: تحلیل مولفه‌های اصلی (PCA)
• 13. یادگیری ماشین بدون نظارت: کاهش ابعاد
• 14. یادگیری ماشین تقویتی: مفاهیم پایه
• 15. یادگیری ماشین تقویتی: عامل و محیط
• 16. یادگیری ماشین تقویتی: پاداش و سیاست
• 17. یادگیری ماشین تقویتی: الگوریتم‌های Q-Learning
• 18. یادگیری ماشین تقویتی: الگوریتم‌های SARSA
• 19. یادگیری ماشین تقویتی: شبکه‌های عصبی عمیق در یادگیری تقویتی
• 20. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 21. شبکه‌های عصبی مصنوعی (ANN)
• 22. تابع فعال‌سازی در شبکه‌های عصبی
• 23. پس‌انتشار خطا (Backpropagation)
• 24. شبکه‌های عصبی کانولوشنال (CNN)
• 25. کاربرد CNN در تشخیص تصویر
• 26. شبکه‌های عصبی بازگشتی (RNN)
• 27. کاربرد RNN در پردازش زبان طبیعی
• 28. حافظه کوتاه‌مدت طولانی (LSTM)
• 29. شبکه‌های حافظه کوتاه‌مدت طولانی (LSTM)
• 30. شبکه‌های حافظه کوتاه‌مدت پیچیده (GRU)
• 31. معماری‌های پیشرفته شبکه‌های عصبی
• 32. یادگیری انتقالی (Transfer Learning)
• 33. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 34. معرفی Core ML
• 35. معماری Core ML
• 36. مزایای استفاده از Core ML
• 37. فرمت مدل‌های Core ML
• 38. تبدیل مدل‌های یادگیری ماشین به Core ML
• 39. ابزارهای تبدیل مدل
• 40. Core ML Tools
• 41. آموزش مدل با استفاده از Core ML
• 42. ادغام Core ML در برنامه‌های iOS
• 43. بارگذاری مدل‌های Core ML در برنامه
• 44. استفاده از مدل برای پیش‌بینی
• 45. پیش‌بینی بر روی داده‌های ورودی
• 46. پردازش تصاویر با Core ML
• 47. تشخیص اشیاء در تصاویر
• 48. تشخیص چهره در تصاویر
• 49. تحلیل احساسات متن با Core ML
• 50. پردازش زبان طبیعی با Core ML
• 51. ترجمه ماشینی با Core ML
• 52. تولید متن با Core ML
• 53. تشخیص صدا با Core ML
• 54. سیستم‌های توصیه‌گر با Core ML
• 55. پیش‌بینی سری‌های زمانی با Core ML
• 56. مدل‌های یادگیری ماشین برای بازی‌ها
• 57. بهینه‌سازی مدل‌های Core ML
• 58. فشرده‌سازی مدل‌های Core ML
• 59. توزیع مدل‌های Core ML
• 60. امنیت مدل‌های Core ML
• 61. تست و ارزیابی مدل‌های Core ML
• 62. معیارهای ارزیابی مدل
• 63. مدیریت چرخه عمر مدل در Core ML
• 64. ملاحظات حریم خصوصی در Core ML
• 65. کاربرد Core ML در سلامت
• 66. کاربرد Core ML در کشاورزی
• 67. کاربرد Core ML در آموزش
• 68. کاربرد Core ML در حمل و نقل
• 69. کاربرد Core ML در صنعت
• 70. کاربرد Core ML در خدمات مالی
• 71. مبانی برنامه‌نویسی Swift برای Core ML
• 72. کار با داده‌ها در Swift
• 73. مدیریت حافظه در Swift
• 74. مفاهیم شی‌گرایی در Swift
• 75. اصول طراحی رابط کاربری در iOS
• 76. استفاده از SwiftUI با Core ML
• 77. استفاده از UIKit با Core ML
• 78. دیباگ کردن برنامه‌های Core ML
• 79. بهینه‌سازی عملکرد برنامه
• 80. پروفایلینگ برنامه
• 81. مدیریت خطا در Core ML
• 82. مستندسازی مدل‌های Core ML
• 83. نکات پیشرفته در Core ML
• 84. تکنیک‌های پیشرفته یادگیری ماشین
• 85. مدل‌های ترکیبی (Hybrid Models)
• 86. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 87. یادگیری فعال (Active Learning)
• 88. یادگیری افزایشی (Incremental Learning)
• 89. یادگیری با داده‌های کم (Few-shot Learning)
• 90. یادگیری بدون نظارت با استفاده از Core ML
• 91. خودآموزی (Self-supervised Learning)
• 92. یادگیری تقویتی عمیق در Core ML
• 93. چالش‌های پیاده‌سازی هوش مصنوعی در موبایل
• 94. آینده هوش مصنوعی و Core ML
• 95. کاربردهای نوظهور هوش مصنوعی
• 96. اخلاق در هوش مصنوعی
• 97. مسئولیت‌پذیری در هوش مصنوعی
• 98. ملاحظات شرعی در کاربرد هوش مصنوعی
• 99. چارچوب‌های قانونی هوش مصنوعی در ایران
• 100. نوآوری و تحقیق در هوش مصنوعی