اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری ماشین برای تصمیم‌گیری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین برای تصمیم‌گیری

موضوع کلی: سیستم‌های هوش مصنوعی و تعاملات انسانی

موضوع میانی: هوش مصنوعی و آینده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، نیمه‌نظارت‌شده
• 3. پیش‌پردازش داده‌ها و پاک‌سازی داده‌ها
• 4. ویژگی‌ها و مهندسی ویژگی
• 5. انتخاب ویژگی و کاهش ابعاد
• 6. مقدمه‌ای بر رگرسیون خطی
• 7. رگرسیون چندگانه و ارزیابی مدل
• 8. رگرسیون لجستیک و طبقه‌بندی دودویی
• 9. معیارهای ارزیابی در طبقه‌بندی
• 10. درخت‌های تصمیم و جنگل‌های تصادفی
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. روش‌های هسته‌ای در SVM
• 13. K-نزدیک‌ترین همسایگان (KNN)
• 14. خوشه‌بندی K-Means
• 15. خوشه‌بندی سلسله‌مراتبی
• 16. تحلیل مولفه‌های اصلی (PCA)
• 17. تشخیص ناهنجاری و داده‌های پرت
• 18. شبکه‌های عصبی مصنوعی: مفاهیم پایه
• 19. شبکه‌های عصبی پیش‌خور
• 20. بهینه‌سازی گرادیان کاهشی
• 21. انتخاب تابع فعال‌سازی و لایه‌ها
• 22. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 23. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های سری زمانی
• 24. پردازش زبان طبیعی (NLP) و یادگیری ماشین
• 25. مدل‌های زبانی و توکن‌سازی
• 26. بردارسازی کلمات (Word Embeddings)
• 27. یادگیری تقویتی: مفاهیم و الگوریتم‌ها
• 28. Q-Learning و Deep Q-Networks
• 29. یادگیری ماشین و تصمیم‌گیری در کسب‌وکار
• 30. تحلیل سبد خرید و قوانین وابستگی
• 31. پیش‌بینی تقاضا و مدیریت موجودی
• 32. مدل‌سازی ریسک و اعتبارسنجی
• 33. تشخیص تقلب و امنیت سایبری
• 34. یادگیری ماشین در تشخیص بیماری
• 35. تحلیل تصاویر پزشکی
• 36. پیش‌بینی نتایج درمان
• 37. تفسیرپذیری مدل‌های یادگیری ماشین
• 38. روش‌های SHAP و LIME
• 39. اخلاق در یادگیری ماشین و سوگیری الگوریتمی
• 40. استقرار مدل‌های یادگیری ماشین
• 41. مقیاس‌پذیری و بهینه‌سازی عملکرد
• 42. ابزارهای محبوب یادگیری ماشین در پایتون
• 43. کار با کتابخانه‌های Scikit-learn و TensorFlow
• 44. کار با کتابخانه‌های Keras و PyTorch
• 45. انتخاب مدل مناسب برای مسئله