اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی درخت‌های تصمیم، ماشین‌های بردار پشتیبان و یادگیری بدون نظارت در هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی درخت‌های تصمیم، ماشین‌های بردار پشتیبان و یادگیری بدون نظارت در هوش مصنوعی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین نظارت شده و بدون نظارت

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت و تقویتی
• 4. اهمیت یادگیری ماشین در حل مسائل علمی و صنعتی
• 5. مراحل کلی در یک پروژه یادگیری ماشین
• 6. جمع‌آوری و آماده‌سازی داده‌ها
• 7. ویژگی‌ها و انواع داده‌ها
• 8. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 9. انتخاب ویژگی و مهندسی ویژگی
• 10. مقدمه‌ای بر درخت‌های تصمیم
• 11. ساختار درخت تصمیم
• 12. معیارهای تقسیم گره: اطلاعات متقابل و ضریب جینی
• 13. الگوریتم ID3 برای ساخت درخت تصمیم
• 14. الگوریتم C4.5 و بهبودهای آن
• 15. الگوریتم CART
• 16. مزایا و معایب درخت‌های تصمیم
• 17. کاربرد درخت‌های تصمیم در طبقه‌بندی
• 18. کاربرد درخت‌های تصمیم در رگرسیون
• 19. تنظیم پارامترهای درخت تصمیم (هرس)
• 20. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 21. مفهوم جداسازی خطی داده‌ها
• 22. فضای ویژگی و نگاشت هسته (Kernel Trick)
• 23. تابع هسته خطی
• 24. تابع هسته چندجمله‌ای
• 25. تابع هسته گوسی (RBF)
• 26. تابع هسته سیگموئید
• 27. ساختار SVM برای طبقه‌بندی
• 28. توابع هدف و محدودیت‌ها در SVM
• 29. بهینه‌سازی لاگرانژین در SVM
• 30. حل مسئله SVM با نرم‌افزار
• 31. مزایا و معایب SVM
• 32. کاربرد SVM در طبقه‌بندی دودویی
• 33. کاربرد SVM در طبقه‌بندی چندکلاسه
• 34. کاربرد SVM در رگرسیون (SVR)
• 35. مقدمه‌ای بر یادگیری بدون نظارت
• 36. تفاوت یادگیری بدون نظارت با نظارت شده
• 37. کاربرد یادگیری بدون نظارت
• 38. خوشه‌بندی (Clustering)
• 39. هدف خوشه‌بندی
• 40. معیارهای اندازه‌گیری شباهت و فاصله
• 41. الگوریتم K-Means
• 42. انتخاب تعداد خوشه‌ها (k)
• 43. الگوریتم K-Medoids
• 44. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 45. روش پیوندی (Agglomerative)
• 46. روش تقسیم‌شونده (Divisive)
• 47. شاخص‌های ارزیابی خوشه‌بندی
• 48. کاربرد خوشه‌بندی در بخش‌بندی بازار
• 49. کاربرد خوشه‌بندی در تحلیل داده‌های زیستی
• 50. کاربرد خوشه‌بندی در تشخیص ناهنجاری
• 51. کاهش ابعاد (Dimensionality Reduction)
• 52. هدف کاهش ابعاد
• 53. تحلیل مؤلفه‌های اصلی (PCA)
• 54. مراحل اجرای PCA
• 55. تفسیر مؤلفه‌های اصلی
• 56. کاربرد PCA در مصورسازی داده‌ها
• 57. کاربرد PCA در پیش‌پردازش داده‌ها
• 58. فاکتور آنالیز (Factor Analysis)
• 59. مقدمه‌ای بر تفکیک مؤلفه‌ها (ICA)
• 60. یادگیری نمایش (Representation Learning)
• 61. یادگیری نمایش در یادگیری بدون نظارت
• 62. شبکه‌های مولد و یادگیری نمایش
• 63. توزیع‌های مولد (Generative Models)
• 64. مدل‌های گرافیکی مولد
• 65. مدل‌های آماری مولد
• 66. مقدمه‌ای بر شبکه‌های عصبی مولد (GANs)
• 67. ساختار GANs: مولد و ممیز
• 68. آموزش GANs
• 69. کاربرد GANs در تولید تصاویر
• 70. کاربرد GANs در افزایش داده
• 71. کاربرد GANs در انتقال سبک (Style Transfer)
• 72. مقدمه‌ای بر خودرمزگذارها (Autoencoders)
• 73. ساختار خودرمزگذار: رمزگذار و رمزگشا
• 74. خودرمزگذارهای تنک (Sparse Autoencoders)
• 75. خودرمزگذارهای واریانس‌بگیر (Variational Autoencoders - VAEs)
• 76. کاربرد VAEs در تولید داده
• 77. کاربرد خودرمزگذارها در کاهش ابعاد
• 78. کاربرد خودرمزگذارها در تشخیص ناهنجاری
• 79. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 80. مفاهیم پایه یادگیری تقویتی: عامل، محیط، پاداش
• 81. فرایند تصمیم‌گیری مارکوف (MDP)
• 82. تابع ارزش (Value Function)
• 83. تابع سیاست (Policy Function)
• 84. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 85. الگوریتم‌های یادگیری تقویتی: SARSA
• 86. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 87. کاربرد یادگیری تقویتی در رباتیک
• 88. کاربرد یادگیری تقویتی در بازی‌ها
• 89. کاربرد یادگیری تقویتی در بهینه‌سازی سیستم‌ها
• 90. اصول اخلاقی در هوش مصنوعی و یادگیری ماشین
• 91. سوگیری در داده‌ها و مدل‌ها
• 92. تفسیرپذیری مدل‌های یادگیری ماشین
• 93. امنیت در سیستم‌های یادگیری ماشین
• 94. ملاحظات حریم خصوصی در جمع‌آوری و استفاده از داده‌ها
• 95. آینده هوش مصنوعی و یادگیری ماشین
• 96. روندهای نوظهور در یادگیری ماشین
• 97. چالش‌های پیش رو در توسعه هوش مصنوعی
• 98. نقش هوش مصنوعی در تحول جوامع
• 99. اخلاق در کاربرد هوش مصنوعی در صنعت