اپلیکیشن اندرویدی فلش‌کارت آموزشی ایجاد مدل‌های یادگیری ماشین با استفاده از آزمایش‌های تکرارپذیر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ایجاد مدل‌های یادگیری ماشین با استفاده از آزمایش‌های تکرارپذیر

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و ارزیابی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه: اهمیت تکرارپذیری در یادگیری ماشین
• 2. مروری بر اصول یادگیری ماشین
• 3. مبانی علم داده و مهندسی ویژگی
• 4. چرخه حیات پروژه یادگیری ماشین
• 5. انتخاب مجموعه داده مناسب
• 6. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 7. مدیریت داده‌های گمشده
• 8. مهندسی ویژگی: ایجاد ویژگی‌های جدید
• 9. انتخاب ویژگی: روش‌های مبتنی بر فیلتر
• 10. انتخاب ویژگی: روش‌های مبتنی بر Wrapper
• 11. انتخاب ویژگی: روش‌های مبتنی بر Embedded
• 12. تقسیم داده‌ها: آموزش، اعتبارسنجی و آزمون
• 13. اعتبارسنجی متقابل (Cross-Validation)
• 14. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 15. معرفی مدل‌های پایه یادگیری ماشین
• 16. رگرسیون خطی و ارزیابی آن
• 17. رگرسیون لجستیک و کاربردهای آن
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. درخت‌های تصمیم و جنگل‌های تصادفی
• 20. یادگیری جمعی (Ensemble Learning)
• 21. معرفی مدل‌های یادگیری عمیق
• 22. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 23. شبکه‌های عصبی کانولوشنال (CNN)
• 24. شبکه‌های عصبی بازگشتی (RNN)
• 25. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 26. شبکه‌های مولد تخاصمی (GAN)
• 27. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 28. دقت، صحت و بازیابی
• 29. امتیاز F1 و منحنی ROC
• 30. متریک‌های ارزیابی مدل‌های رگرسیون
• 31. خطای میانگین مربعات (MSE)
• 32. خطای مطلق میانگین (MAE)
• 33. ضریب تعیین (R-squared)
• 34. تفسیرپذیری مدل‌ها (Model Interpretability)
• 35. روش‌های توضیح مدل‌های جعبه سیاه
• 36. اهمیت مستندسازی در آزمایش‌ها
• 37. نکات کلیدی در طراحی آزمایش‌های تکرارپذیر
• 38. مدیریت نسخه کد و داده‌ها
• 39. استفاده از ابزارهای کنترل نسخه (Git)
• 40. مدیریت محیط‌های توسعه (Virtual Environments)
• 41. استفاده از ابزارهای ردیابی آزمایش (Experiment Tracking)
• 42. معرفی ابزار MLflow
• 43. ثبت پارامترها و متریک‌ها در MLflow
• 44. مدیریت مصنوعات (Artifacts) در MLflow
• 45. مقایسه نتایج آزمایش‌ها در MLflow
• 46. استفاده از ابزار DVC برای مدیریت داده‌ها
• 47. مدیریت نسخه داده‌ها با DVC
• 48. ادغام DVC با Git
• 49. استفاده از DVC برای ذخیره‌سازی داده‌های بزرگ
• 50. اهمیت قابلیت اطمینان در مدل‌ها
• 51. تست واحد برای کد یادگیری ماشین
• 52. تست یکپارچگی برای پایپلاین‌ها
• 53. تست مدل در برابر داده‌های جدید
• 54. استقرار مدل‌ها (Model Deployment)
• 55. مراحل استقرار مدل
• 56. استقرار مدل به عنوان API
• 57. استقرار مدل در محیط‌های ابری
• 58. مدیریت چرخه حیات مدل مستقر شده
• 59. پایش عملکرد مدل در تولید
• 60. بازآموزی مدل‌ها (Model Retraining)
• 61. استراتژی‌های بازآموزی
• 62. هشدارهای مربوط به انحراف داده (Data Drift)
• 63. هشدارهای مربوط به انحراف مفهوم (Concept Drift)
• 64. اهمیت اخلاق در هوش مصنوعی
• 65. سوگیری در داده‌ها و مدل‌ها
• 66. روش‌های کاهش سوگیری
• 67. شفافیت و پاسخگویی در هوش مصنوعی
• 68. حریم خصوصی و امنیت داده‌ها
• 69. کاربرد هوش مصنوعی در حوزه‌های مختلف
• 70. هوش مصنوعی در پردازش زبان طبیعی
• 71. هوش مصنوعی در بینایی ماشین
• 72. هوش مصنوعی در سیستم‌های توصیه‌گر
• 73. هوش مصنوعی در حوزه سلامت
• 74. هوش مصنوعی در حوزه مالی
• 75. هوش مصنوعی در حوزه تولید
• 76. هوش مصنوعی در حوزه حمل و نقل
• 77. هوش مصنوعی در حوزه کشاورزی
• 78. هوش مصنوعی در حوزه انرژی
• 79. هوش مصنوعی در حوزه آموزش
• 80. کاربردهای هوش مصنوعی با رویکرد اسلامی
• 81. اصول فقهی در توسعه هوش مصنوعی
• 82. ملاحظات اخلاقی در کاربردهای اسلامی
• 83. فناوری‌های نوین در یادگیری ماشین
• 84. یادگیری تقویتی (Reinforcement Learning)
• 85. یادگیری عمیق توزیع‌شده
• 86. محاسبات کوانتومی و یادگیری ماشین
• 87. یادگیری ماشین قابل توضیح (XAI)
• 88. مباحث پیشرفته در تفسیرپذیری
• 89. مدل‌های گراف عصبی (GNN)
• 90. هوش مصنوعی مولد پیشرفته
• 91. چالش‌های آینده در یادگیری ماشین
• 92. مسیر شغلی در حوزه هوش مصنوعی
• 93. مهارت‌های لازم برای متخصصان هوش مصنوعی
• 94. منابع برای یادگیری بیشتر
• 95. پروژه‌های عملی برای تقویت مهارت
• 96. جمع‌بندی و نگاه به آینده