اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی کاربردی یادگیری ماشین و یادگیری عمیق؛ از تئوری تا پیاده‌سازی هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی کاربردی یادگیری ماشین و یادگیری عمیق؛ از تئوری تا پیاده‌سازی هوشمند

موضوع کلی: علوم رایانه و فناوری‌های نوین

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی و تعاریف پایه در هوش مصنوعی و یادگیری ماشین
• 2. تاریخچه تحول هوش مصنوعی و جایگاه آن در زیست‌بوم فناوری کشور
• 3. مفاهیم آماری و احتمالات در تحلیل داده‌های هوشمند
• 4. جبر خطی کاربردی در مدل‌سازی یادگیری ماشین
• 5. آشنایی با محیط‌های برنامه‌نویسی و کتابخانه‌های استاندارد پایتون برای هوش مصنوعی
• 6. مراحل پیش‌پردازش و آماده‌سازی داده‌ها برای تحلیل
• 7. پاک‌سازی داده‌ها و مدیریت مقادیر مفقود
• 8. مهندسی ویژگی‌ها و انتخاب متغیرهای کلیدی در مدل
• 9. یادگیری نظارت‌شده و بررسی انواع الگوریتم‌های رگرسیون
• 10. پیاده‌سازی رگرسیون خطی ساده و چندگانه
• 11. مفاهیم طبقه‌بندی و الگوریتم‌های پایه در دسته‌بندی داده‌ها
• 12. کاربرد رگرسیون لجستیک در مسائل طبقه‌بندی
• 13. ارزیابی دقت مدل‌ها و شاخص‌های سنجش عملکرد
• 14. مفهوم بیش‌برازش و کم‌برازش در مدل‌های یادگیری
• 15. تکنیک‌های منظم‌سازی برای بهبود تعمیم‌پذیری مدل‌ها
• 16. یادگیری بدون نظارت و الگوریتم‌های خوشه‌بندی
• 17. تحلیل مؤلفه‌های اصلی برای کاهش ابعاد داده
• 18. الگوریتم‌های درخت تصمیم و جنگل‌های تصادفی
• 19. ماشین بردار پشتیبان و کاربرد آن در مسائل پیچیده
• 20. مبانی شبکه‌های عصبی مصنوعی و مدل نورون پرسپترون
• 21. توابع فعال‌ساز و نقش آن‌ها در یادگیری غیرخطی
• 22. الگوریتم پس‌انتشار خطا و بهینه‌سازی وزن‌ها
• 23. مقدمه‌ای بر یادگیری عمیق و تفاوت آن با یادگیری کلاسیک
• 24. معماری شبکه‌های عصبی پیش‌خور
• 25. بهینه‌سازها و نرخ یادگیری در آموزش مدل‌های عمیق
• 26. مبانی شبکه‌های عصبی کانولوشنی برای پردازش تصویر
• 27. لایه‌های کانولوشنی و تجمیع در بینایی ماشین
• 28. کاربردهای بینایی ماشین در سیستم‌های نظارتی و تحلیل تصویر
• 29. شبکه‌های عصبی بازگشتی و پردازش داده‌های متوالی
• 30. مدل‌های حافظه طولانی کوتاه مدت برای تحلیل متن و زمان
• 31. مفاهیم پایه در پردازش زبان طبیعی فارسی
• 32. پیش‌پردازش متون فارسی و استخراج ویژگی‌های متنی
• 33. معرفی مدل‌های رمزگذار و رمزگشا در یادگیری عمیق
• 34. مقدمه‌ای بر مکانیزم‌های توجه و مدل‌های ترنسفورمر
• 35. اخلاق در هوش مصنوعی و رعایت حریم خصوصی کاربران
• 36. مفاهیم یادگیری تقویتی و کاربرد آن در سیستم‌های تصمیم‌گیر
• 37. استقرار مدل‌های یادگیری ماشین در محیط‌های عملیاتی
• 38. مدیریت چرخه‌حیات مدل و نظارت بر عملکرد سیستم
• 39. تکنیک‌های بهینه‌سازی مدل برای اجرا در سخت‌افزارهای محدود
• 40. آینده هوش مصنوعی و مسیرهای توسعه فناوری در کشور