اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری فرا‌تفسیری در عمل: از مثال‌ها تا یادگیری برنامه‌های منطقی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری فرا‌تفسیری در عمل: از مثال‌ها تا یادگیری برنامه‌های منطقی

موضوع کلی: هوش مصنوعی نمادین و یادگیری استقرایی

موضوع میانی: یادگیری فرا‌تفسیری و برنامه‌نویسی منطقی استقرایی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی نمادین و یادگیری استقرایی
• 2. مفهوم برنامه‌نویسی منطقی و برنامه‌های منطقی
• 3. مبانی برنامه‌نویسی در Prolog
• 4. واقعیت‌ها، قواعد و پرس‌وجوهای منطقی
• 5. متغیرها و یکپارچه‌سازی در برنامه‌های منطقی
• 6. بازگشت و تعریف روابط بازگشتی
• 7. یادگیری از مثال‌های مثبت و منفی
• 8. یادگیری استقرایی برنامه‌های منطقی
• 9. تفاوت یادگیری استقرایی با یادگیری نظارت‌شده متداول
• 10. مسئله یادگیری مفهوم در منطق
• 11. پس‌زمینه دانشی در یادگیری منطقی
• 12. فرضیه در یادگیری برنامه‌های منطقی
• 13. تعریف فضای فرضیه
• 14. جستجو در فضای برنامه‌ها
• 15. محدودیت‌های نحوی در فضای فرضیه
• 16. محدودیت‌های معنایی در یادگیری
• 17. تعمیم و تخصصی‌سازی فرضیه‌ها
• 18. نقش قیود در جستجوی فرضیه
• 19. معرفی Meta-Interpretive Learning
• 20. ایده اصلی یادگیری فرا‌تفسیری
• 21. ارتباط Meta-Interpretation با تفسیر برنامه
• 22. تفاوت MIL با Inductive Logic Programming سنتی
• 23. ساختار یک فرا‌مفسر
• 24. فرا‌مفسر به عنوان موتور استنتاج و یادگیری
• 25. متاپردیکیت‌ها در برنامه‌نویسی منطقی
• 26. تعریف متاپردیکیت‌های قابل یادگیری
• 27. الگوهای متا برای تعریف فضای جستجو
• 28. نمایش دانش با متاپردیکیت‌ها
• 29. یادگیری قواعد بر اساس الگوهای متا
• 30. تولید برنامه از روی مثال‌ها
• 31. استنتاج قیاسی در فرایند یادگیری
• 32. استنتاج معکوس در MIL
• 33. ترکیب استنتاج و جستجو
• 34. یادگیری قواعد ساده از مثال‌ها
• 35. یادگیری قواعد چندمرحله‌ای
• 36. یادگیری قواعد با چند متاپردیکیت
• 37. یادگیری روابط دودویی
• 38. یادگیری روابط چندآرگومانی
• 39. یادگیری قواعد بازگشتی
• 40. یادگیری بازگشت مستقیم
• 41. یادگیری بازگشت غیرمستقیم
• 42. یادگیری برنامه‌های بازگشتی از مثال‌ها
• 43. یادگیری برنامه‌های چندقاعده‌ای
• 44. یادگیری برنامه‌های ترکیبی
• 45. یادگیری ساختارهای سلسله‌مراتبی
• 46. یادگیری تعاریف جدید از روابط
• 47. یادگیری Predicateهای جدید با تعمیم
• 48. استفاده از Predicateهای اختراع‌شده
• 49. مفهوم Predicate Invention در MIL
• 50. اختراع Predicateهای میانی
• 51. یادگیری ساختارهای چندلایه منطقی
• 52. ترکیب Predicateهای پایه و اختراعی
• 53. یادگیری با دانش پس‌زمینه
• 54. طراحی دانش پس‌زمینه برای MIL
• 55. نقش دانش پس‌زمینه در کاهش فضای جستجو
• 56. استفاده از روابط موجود در برنامه‌های جدید
• 57. ترکیب چند منبع دانش پس‌زمینه
• 58. یادگیری با مثال‌های مثبت و منفی همزمان
• 59. بررسی پوشش مثال‌های آموزشی
• 60. تشخیص فرضیه‌های بیش‌ازحد کلی
• 61. تشخیص فرضیه‌های بیش‌ازحد خاص
• 62. کنترل تعمیم در برنامه‌های یادگرفته‌شده
• 63. کنترل تخصصی‌سازی در MIL
• 64. یادگیری برنامه‌های منطقی با چند نمونه
• 65. یادگیری از داده‌های کم‌نمونه
• 66. Generalization در یادگیری فرا‌تفسیری
• 67. انتخاب و ارزیابی فرضیه‌های رقیب
• 68. معیارهای انتخاب برنامه
• 69. سادگی و پیچیدگی برنامه‌های یادگرفته‌شده
• 70. کنترل جستجوی برنامه‌های منطقی
• 71. کاهش فضای جستجو با Bias
• 72. استفاده از محدودیت‌های ساختاری
• 73. استفاده از محدودیت‌های نوعی
• 74. انواع Bias در یادگیری فرا‌تفسیری
• 75. نقش Type در MIL
• 76. بازنمایی انواع در برنامه‌های منطقی
• 77. یادگیری روابط نوع‌دار
• 78. ترکیب Type و Meta-Rule
• 79. یادگیری برنامه‌های مرتبه بالاتر
• 80. مفاهیم Higher-Order Logic در MIL
• 81. استفاده از Higher-Order Predicates
• 82. یادگیری با Predicate به عنوان آرگومان
• 83. بازنمایی مفاهیم قابل ترکیب
• 84. یادگیری برنامه‌های قابل بازاستفاده
• 85. ترکیب‌پذیری در برنامه‌های یادگرفته‌شده
• 86. یادگیری الگوریتم‌های عمومی با MIL
• 87. یادگیری الگوهای برنامه‌نویسی بازگشتی
• 88. یادگیری ساختارهای فیلتر و نگاشت
• 89. یادگیری ساختارهای پیمایش و جستجو
• 90. یادگیری برنامه‌های منطقی از روابط ساختاری
• 91. یادگیری مفاهیم با ساختارهای تودرتو
• 92. یادگیری مفاهیم عددی در چارچوب منطقی
• 93. ترکیب دانش نمادین و نمونه‌های آموزشی
• 94. یادگیری مبتنی بر برنامه‌های منطقی موجود
• 95. انتقال دانش در یادگیری فرا‌تفسیری
• 96. بازاستفاده از Predicateهای یادگرفته‌شده
• 97. یادگیری تجمعی برنامه‌های منطقی
• 98. افزودن دانش جدید به برنامه یادگرفته‌شده
• 99. یادگیری چندمرحله‌ای و سلسله‌مراتبی
• 100. یادگیری مفاهیم پیچیده از مفاهیم ساده