دوره کشف دانش پنهان: کتاب‌ی جامع برنامه‌نویسی منطقی استقرایی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف دانش پنهان: دوره‌ی جامع برنامه‌نویسی منطقی استقرایی

موضوع کلی: یادگیری ماشین نمادین و استنتاج منطقی

موضوع میانی: برنامه‌نویسی منطقی استقرایی (ILP)

📋 سرفصل‌های دوره

• 1. مقدمه به یادگیری ماشین نمادین
• 2. مقدمه به برنامه‌نویسی منطقی
• 3. مقدمه به استنتاج منطقی
• 4. مقدمه به برنامه‌نویسی منطقی استقرایی (ILP)
• 5. اهمیت ILP در کشف دانش
• 6. تاریخچه ILP
• 7. کاربردها و چشم‌انداز ILP
• 8. اصول اساسی منطق مرتبه اول
• 9. گزاره‌ها و محمولات
• 10. متغیرها و کوانتورها
• 11. قوانین تولید (Horn clauses)
• 12. مطابقت (Unification)
• 13. حل و فصل (Resolution)
• 14. استنتاج استقرایی در مقابل استنتاج قیاسی
• 15. مفهوم دانش پیشین (Background knowledge)
• 16. حقایق (Facts)
• 17. قوانین (Rules)
• 18. اهداف (Goals)
• 19. کلاسیک‌های ILP: Inductive Logic Programming (ILP)
• 20. تولید فرضیه (Hypothesis generation)
• 21. ارزیابی فرضیه (Hypothesis evaluation)
• 22. فرایند کلی ILP
• 23. سیستم‌های ILP
• 24. مبنای نظری ILP
• 25. نظریه مجموعه‌ها و روابط
• 26. گراف‌های مفهومی (Concept graphs)
• 27. یادگیری در منطق مرتبه اول
• 28. یادگیری قوانین (Rule learning)
• 29. یادگیری روابط (Relation learning)
• 30. یادگیری ساختار (Structure learning)
• 31. روش‌های جستجو در فضای فرضیه
• 32. جستجوی کامل (Exhaustive search)
• 33. جستجوی حریصانه (Greedy search)
• 34. جستجوی تقریبی (Approximation search)
• 35. تعصبات (Bias) در ILP
• 36. تعصبات مکانی (Locality bias)
• 37. تعصبات ساختاری (Structural bias)
• 38. تعصبات پوششی (Coverage bias)
• 39. تاثیر تعصبات بر یادگیری
• 40. انواع پارادایم‌های ILP
• 41. FOIL (First-Order Inductive Learner)
• 42. Progol
• 43. ALEPH
• 44. TRACER
• 45. LogiLearn
• 46. Aqua
• 47. Alchemy
• 48. Synapse
• 49. ILP مبتنی بر قیاس (Analogy-based ILP)
• 50. ILP مبتنی بر قیاس از طریق بازسازی (Analogy by Reconstruction)
• 51. ILP مبتنی بر قیاس از طریق نگاشت (Analogy by Mapping)
• 52. یادگیری از داده‌های منفی (Learning from negative data)
• 53. تنظیم دانش پیشین (Background knowledge refinement)
• 54. تولید ویژگی (Feature generation) در ILP
• 55. یادگیری با داده‌های نامشخص (Learning with uncertain data)
• 56. یادگیری استنباطی احتمالی (Probabilistic Inductive Learning)
• 57. شبکه‌های باور (Bayesian networks) و ILP
• 58. مدل‌های احتمالی در ILP
• 59. یادگیری تعاملی (Interactive ILP)
• 60. انسان در حلقه (Human-in-the-loop) در ILP
• 61. توضیح‌پذیری (Explainability) در ILP
• 62. فسیرپذیری (Interpretability) مدل‌های ILP
• 63. ارزیابی عملکرد سیستم‌های ILP
• 64. معیارهای ارزیابی (Evaluation metrics)
• 65. دقت (Accuracy)
• 66. پوشش (Coverage)
• 67. پیچیدگی (Complexity)
• 68. بهینه‌سازی مدل‌های ILP
• 69. تنظیم ابرپارامترها (Hyperparameter tuning)
• 70. روش‌های اعتبارسنجی متقابل (Cross-validation)
• 71. یادگیری افزایشی (Incremental learning) در ILP
• 72. یادگیری مداوم (Continual learning) در ILP
• 73. یادگیری توزیع‌شده (Distributed ILP)
• 74. مقیاس‌پذیری سیستم‌های ILP
• 75. چالش‌های عملی در ILP
• 76. کیفیت داده‌ها
• 77. حجم داده‌ها
• 78. پیچیدگی دامنه
• 79. تفسیر نتایج
• 80. مدل‌سازی دانش دامنه (Domain knowledge modeling)
• 81. استفاده از ontologies در ILP
• 82. یادگیری برای کشف روابط بیولوژیکی
• 83. یادگیری برای کشف روابط شیمیایی
• 84. یادگیری برای کشف روابط زبانی
• 85. یادگیری برای کشف روابط در بازی‌ها
• 86. یادگیری برای کشف روابط در داده‌های پزشکی
• 87. یادگیری برای کشف روابط در سیستم‌های توصیه‌گر
• 88. یادگیری ماشینی نمادین در مقایسه با یادگیری ماشینی مبتنی بر شبکه‌های عصبی
• 89. همگرایی یادگیری ماشین نمادین و شبکه‌های عصبی
• 90. یادگیری عصبی نمادین (Neuro-symbolic learning)
• 91. قابلیت ترکیب ILP و شبکه‌های عصبی
• 92. ILP برای تولید قوانین قابل تفسیر برای شبکه‌های عصبی
• 93. ILP برای هدایت فرآیند آموزش شبکه‌های عصبی
• 94. ILP برای کشف دانش از خروجی شبکه‌های عصبی
• 95. یادگیری از پرس و جو (Learning from queries)
• 96. یادگیری پارامتریک (Parametric learning) در ILP
• 97. یادگیری غیرپارامتریک (Non-parametric learning) در ILP
• 98. روش‌های جدید در ILP
• 99. ILP و یادگیری تقویتی (Reinforcement learning)
• 100. ILP برای اکتشاف سیاست (Policy exploration)