اپلیکیشن اندرویدی فلش‌کارت آموزشی COMA: راهنمای جامع برای توسعه‌دهندگان و محققان هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره COMA: راهنمای جامع برای توسعه‌دهندگان و محققان هوش مصنوعی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: COMA (Counterfactual Multi-Agent Policy Gradient)

📋 سرفصل‌های دوره

• 1. مبانی محاسبات عصبی
• 2. شبکه‌های عصبی مصنوعی: ساختار و عملکرد
• 3. الگوریتم‌های یادگیری نظارت‌شده
• 4. رگرسیون خطی و چندگانه
• 5. دسته‌بندی با استفاده از ماشین‌های بردار پشتیبان (SVM)
• 6. درخت‌های تصمیم‌گیری و جنگل‌های تصادفی
• 7. روش‌های ارزیابی مدل‌های یادگیری ماشین
• 8. یادگیری بدون نظارت: خوشه‌بندی و کاهش ابعاد
• 9. خوشه‌بندی K-means
• 10. تحلیل مولفه‌های اصلی (PCA)
• 11. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 12. شبکه‌های عصبی بازگشتی (RNN) برای پردازش زبان طبیعی
• 13. پردازش زبان طبیعی (NLP) و کاربردهای آن
• 14. مدل‌های زبانی و تولید متن
• 15. یادگیری تقویتی: مفاهیم و الگوریتم‌ها
• 16. Q-learning و Deep Q-Network (DQN)
• 17. مقدمه‌ای بر یادگیری عمیق
• 18. بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 19. انتخاب ویژگی و مهندسی ویژگی
• 20. تنظیم هایپرپارامترها
• 21. کار با داده‌های نامتوازن
• 22. مقدمه‌ای بر یادگیری انتقالی
• 23. مدل‌های پیش‌آموزش‌شده و fine-tuning
• 24. پردازش و پاکسازی داده‌ها
• 25. ویژگی‌های داده‌ها و انواع آن‌ها
• 26. مبانی آمار و احتمال برای یادگیری ماشین
• 27. مقدمه‌ای بر جبر خطی
• 28. مقدمه‌ای بر حساب دیفرانسیل و انتگرال
• 29. پیاده‌سازی شبکه‌های عصبی با استفاده از TensorFlow
• 30. پیاده‌سازی شبکه‌های عصبی با استفاده از PyTorch
• 31. مقدمه‌ای بر Keras
• 32. استقرار مدل‌های یادگیری ماشین
• 33. تفسیرپذیری مدل‌های یادگیری ماشین
• 34. قواعد اخلاقی در هوش مصنوعی
• 35. امنیت مدل‌های یادگیری ماشین
• 36. تشخیص و رفع خطاهای یادگیری ماشین
• 37. یادگیری نیمه نظارتی
• 38. یادگیری خود نظارتی
• 39. شبکه‌های مولد تخاصمی (GAN)
• 40. مدل‌های انتشار (Diffusion Models)
• 41. یادگیری ماشین در ابر (Cloud Machine Learning)
• 42. مقدمه‌ای بر یادگیری ماشین فدرال
• 43. یادگیری ماشین توضیحی (Explainable AI - XAI)
• 44. کاربرد هوش مصنوعی در تشخیص تصویر پزشکی
• 45. کاربرد هوش مصنوعی در پردازش سیگنال‌های صوتی
• 46. کاربرد هوش مصنوعی در پیش‌بینی سری‌های زمانی
• 47. یادگیری ماشین و علوم داده
• 48. تحلیل داده‌های بزرگ (Big Data)
• 49. مقدمه‌ای بر داده‌کاوی
• 50. یادگیری ماشین و رباتیک
• 51. هوش مصنوعی و اینترنت اشیا (IoT)
• 52. یادگیری ماشین و پردازش ویدئو
• 53. بینایی ماشین (Computer Vision)
• 54. پردازش گفتار (Speech Processing)
• 55. یادگیری تقویتی چندعاملی
• 56. یادگیری ماشین و بازی‌ها
• 57. یادگیری ماشین و سیستم‌های توصیه‌گر
• 58. یادگیری ماشین و امنیت سایبری
• 59. یادگیری ماشین و مالی
• 60. یادگیری ماشین و کشاورزی
• 61. یادگیری ماشین و محیط زیست
• 62. یادگیری ماشین و آموزش
• 63. یادگیری ماشین و سلامت
• 64. یادگیری ماشین و هنر
• 65. یادگیری ماشین و موسیقی
• 66. یادگیری ماشین و بازاریابی
• 67. یادگیری ماشین و تولید
• 68. آینده هوش مصنوعی و یادگیری ماشین
• 69. روش‌های مقابله با بیش‌برازش (Overfitting)
• 70. روش‌های مقابله با کم‌برازش (Underfitting)
• 71. اعتبارسنجی متقابل (Cross-Validation)
• 72. تحلیل اهمیت ویژگی‌ها
• 73. یادگیری ماشین و اخلاق داده‌ها
• 74. حریم خصوصی داده‌ها و یادگیری ماشین
• 75. ملاحظات قانونی در هوش مصنوعی
• 76. یادگیری ماشین و عدالت اجتماعی
• 77. یادگیری ماشین و تبعیض
• 78. تکنیک‌های افزایش داده (Data Augmentation)
• 79. مقدمه‌ای بر یادگیری ماشین گراف
• 80. شبکه‌های عصبی گراف (Graph Neural Networks - GNN)
• 81. یادگیری ماشین و پردازش متن
• 82. مقدمه‌ای بر مدل‌های تبدیل‌گر (Transformers)
• 83. BERT و کاربردهای آن
• 84. GPT و کاربردهای آن
• 85. یادگیری ماشین و پردازش تصویر سه‌بعدی
• 86. یادگیری ماشین و پردازش داده‌های حسگر
• 87. یادگیری ماشین و سیستم‌های خبره
• 88. یادگیری ماشین و استدلال خودکار
• 89. یادگیری ماشین و بهینه‌سازی
• 90. یادگیری ماشین و کنترل
• 91. یادگیری ماشین و شبیه‌سازی
• 92. یادگیری ماشین و مدل‌سازی
• 93. یادگیری ماشین و پیش‌بینی
• 94. یادگیری ماشین و شناسایی الگو
• 95. یادگیری ماشین و طبقه‌بندی
• 96. یادگیری ماشین و خوشه‌بندی
• 97. یادگیری ماشین و رگرسیون
• 98. یادگیری ماشین و کاهش ابعاد
• 99. یادگیری ماشین و انتخاب ویژگی
• 100. یادگیری ماشین و ارزیابی مدل