اپلیکیشن اندرویدی فلش‌کارت آموزشی اصول یادگیری ماشین: از مفاهیم پایه تا الگوریتم‌های کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول یادگیری ماشین: از مفاهیم پایه تا الگوریتم‌های کاربردی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی و مفاهیم یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم بنیادین یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. داده‌ها در یادگیری ماشین: جمع‌آوری، پیش‌پردازش و مهندسی ویژگی
• 5. ماتریس ویژگی و بردار هدف
• 6. یادگیری تحت نظارت: رگرسیون و طبقه‌بندی
• 7. رگرسیون خطی و مفاهیم آن
• 8. تنظیم رگرسیون خطی: روش گرادیان کاهشی
• 9. رگرسیون چندجمله‌ای
• 10. مدل‌های ارزیابی رگرسیون: MSE، MAE، R-squared
• 11. طبقه‌بندی: مفاهیم و الگوریتم‌ها
• 12. رگرسیون لجستیک
• 13. طبقه‌بندی‌کننده‌های بیز ساده
• 14. دسته‌بندی‌کننده بیز نایو
• 15. درخت‌های تصمیم: ساختار و قوانین
• 16. ارزیابی درخت‌های تصمیم: دقت، صحت، بازیابی، امتیاز F1
• 17. تقویت درختان تصمیم: الگوریتم AdaBoost
• 18. تقویت گرادیان: الگوریتم Gradient Boosting
• 19. ماشین‌های بردار پشتیبان (SVM): مفاهیم پایه
• 20. هسته‌های SVM و نگاشت به فضاهای بالاتر
• 21. مدل‌های ارزیابی طبقه‌بندی: ماتریس درهم‌ریختگی
• 22. یادگیری بدون نظارت: خوشه‌بندی
• 23. الگوریتم K-Means برای خوشه‌بندی
• 24. ارزیابی خوشه‌بندی: شاخص Silhouette
• 25. خوشه‌بندی سلسله مراتبی
• 26. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 27. کاربرد PCA در پیش‌پردازش داده‌ها
• 28. شبکه‌های عصبی مصنوعی: مفاهیم پایه
• 29. نورون مصنوعی و تابع فعال‌سازی
• 30. معماری شبکه‌های عصبی: لایه‌ها و اتصالات
• 31. آموزش شبکه‌های عصبی: پس‌انتشار خطا (Backpropagation)
• 32. بهینه‌سازی شبکه‌های عصبی: بهینه‌سازهای مختلف
• 33. تنظیم ابرپارامترهای شبکه‌های عصبی
• 34. شبکه‌های عصبی کانولوشنی (CNN)
• 35. کاربرد CNN در پردازش تصویر
• 36. شبکه‌های عصبی بازگشتی (RNN)
• 37. کاربرد RNN در پردازش زبان طبیعی
• 38. یادگیری تقویتی: مفاهیم اولیه
• 39. عامل، محیط، حالت، عمل و پاداش
• 40. فرآیندهای تصمیم‌گیری مارکوف (MDP)
• 41. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 42. شبکه‌های عصبی عمیق (Deep Learning)
• 43. مبانی یادگیری عمیق
• 44. معماری‌های پرکاربرد در یادگیری عمیق
• 45. مدل‌های زبانی بزرگ (LLM) و کاربردهای آن‌ها
• 46. پردازش زبان طبیعی (NLP): مفاهیم و کاربردها
• 47. پیش‌پردازش متن برای مدل‌های NLP
• 48. مدل‌سازی موضوعی: LDA
• 49. تشخیص موجودیت نام‌گذاری شده (NER)
• 50. تحلیل احساسات
• 51. ترجمه ماشینی
• 52. سیستم‌های توصیه‌گر
• 53. مبانی سیستم‌های توصیه‌گر
• 54. روش‌های مبتنی بر محتوا
• 55. روش‌های مبتنی بر فیلترینگ مشارکتی
• 56. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 57. یادگیری ماشین در عمل: چالش‌ها و ملاحظات
• 58. داده‌های نامتوازن و روش‌های مقابله
• 59. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 60. اعتبارسنجی متقابل (Cross-validation)
• 61. انتخاب مدل و ارزیابی عملکرد
• 62. تفسیرپذیری مدل‌های یادگیری ماشین
• 63. اخلاق در یادگیری ماشین
• 64. سوگیری در داده‌ها و مدل‌ها
• 65. حریم خصوصی و امنیت در یادگیری ماشین
• 66. کاربردهای عملی یادگیری ماشین در صنایع مختلف
• 67. یادگیری ماشین در پزشکی و سلامت
• 68. یادگیری ماشین در مالی و اقتصاد
• 69. یادگیری ماشین در بازاریابی و تجارت الکترونیک
• 70. یادگیری ماشین در پردازش تصویر و بینایی ماشین
• 71. یادگیری ماشین در رباتیک و سیستم‌های خودران
• 72. یادگیری ماشین در علوم محیطی
• 73. یادگیری ماشین در آموزش
• 74. یادگیری ماشین در حقوق و قضایا
• 75. یادگیری ماشین در امنیت سایبری
• 76. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 77. مبانی یادگیری انتقالی (Transfer Learning)
• 78. یادگیری چند وظیفه‌ای (Multi-task Learning)
• 79. یادگیری نمایشی (Representation Learning)
• 80. یادگیری عمیق مولد (Generative Deep Learning)
• 81. شبکه‌های مولد تخاصمی (GANs)
• 82. مدل‌های مبتنی بر واکد خودکار متغیر (VAEs)
• 83. کاربرد مدل‌های مولد در تولید محتوا
• 84. پردازش سیگنال با یادگیری ماشین
• 85. تحلیل سری‌های زمانی با یادگیری ماشین
• 86. یادگیری ماشین در تحلیل شبکه‌های اجتماعی
• 87. مبانی یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 88. کاربرد یادگیری تقویتی عمیق در بازی‌ها
• 89. کاربرد یادگیری تقویتی عمیق در رباتیک
• 90. مباحث پیشرفته در شبکه‌های عصبی
• 91. شبکه‌های گراف عصبی (GNNs)
• 92. معماری‌های ترنسفورمر (Transformers)
• 93. کاربرد ترنسفورمرها در NLP و بینایی ماشین
• 94. مدل‌های زبانی پیش‌پردازش شده (Pre-trained Language Models)
• 95. تکنیک‌های تنظیم دقیق (Fine-tuning) مدل‌های زبانی
• 96. یادگیری ماشین توضیحی (Explainable AI - XAI)
• 97. ابزارها و روش‌های XAI
• 98. ارزیابی و اعتبارسنجی مدل‌های XAI
• 99. ملاحظات امنیتی در پیاده‌سازی یادگیری ماشین
• 100. تکنیک‌های مقاوم‌سازی مدل‌ها در برابر حملات