🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: جاده هوش مصنوعی: اولین قدم‌های شما در دنیای آینده

موضوع کلی: هوش مصنوعی

موضوع میانی: مبانی و اصول هوش مصنوعی

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه ای بر هوش مصنوعی: تعریف، تاریخچه و کاربردها
• 2. عوامل هوشمند: تعریف، انواع و معماری
• 3. فضای حالت و جستجو: حل مسئله با هوش مصنوعی
• 4. الگوریتم های جستجوی ناآگاهانه: BFS، DFS، UCS
• 5. الگوریتم های جستجوی آگاهانه: A*، Greedy Best-First Search
• 6. توابع هیوریستیک: طراحی و ارزیابی
• 7. جستجوی محلی و بهینه سازی: Hill Climbing، Simulated Annealing
• 8. مسائل محدودیت ارضا (CSP): تعریف، انواع و حل
• 9. الگوریتم های حل CSP: Backtracking، Constraint Propagation
• 10. منطق گزاره ای: نحو و معناشناسی
• 11. منطق مرتبه اول: نحو و معناشناسی
• 12. استنتاج در منطق: Resolution، Forward Chaining، Backward Chaining
• 13. برنامه ریزی منطقی: Prolog و کاربردها
• 14. عدم قطعیت و احتمالات: مقدمه ای بر نظریه احتمال
• 15. قواعد بیز: محاسبه احتمال پسین
• 16. شبکه های بیزی: ساختار، یادگیری و استنتاج
• 17. مدل های مارکوف: زنجیره های مارکوف، مدل های پنهان مارکوف (HMM)
• 18. یادگیری ماشین: تعریف، انواع و کاربردها
• 19. یادگیری با نظارت: رگرسیون خطی و منطقی
• 20. درخت تصمیم: ساخت، هرس و ارزیابی
• 21. ماشین های بردار پشتیبان (SVM): مبانی، هسته ها و کاربردها
• 22. شبکه های عصبی: مقدمه ای بر پرسپترون و MLP
• 23. الگوریتم پس انتشار خطا (Backpropagation)
• 24. بهینه سازی شبکه های عصبی: Gradient Descent و انواع آن
• 25. شبکه های عصبی کانولوشنال (CNN): معماری و کاربردها در بینایی ماشین
• 26. شبکه های عصبی بازگشتی (RNN): معماری و کاربردها در پردازش زبان طبیعی
• 27. یادگیری بدون نظارت: خوشه بندی و کاهش ابعاد
• 28. الگوریتم K-Means: خوشه بندی با فاصله
• 29. تحلیل مولفه های اصلی (PCA): کاهش ابعاد داده
• 30. یادگیری تقویتی: عامل، محیط، پاداش و سیاست
• 31. الگوریتم Q-Learning: یادگیری مقادیر Q
• 32. یادگیری عمیق تقویتی: ترکیب یادگیری عمیق و یادگیری تقویتی
• 33. پردازش زبان طبیعی (NLP): مقدمه و کاربردها
• 34. تجزیه و تحلیل نحوی: گرامر، پارسر و درخت تجزیه
• 35. تحلیل معنایی: استخراج معنا از متن
• 36. تولید زبان طبیعی: تولید متن از داده
• 37. مدل های زبانی: n-gram، مدل های پنهان مارکوف (HMM)
• 38. Embeddings کلمه: Word2Vec، GloVe، FastText
• 39. شبکه های عصبی در NLP: RNN، LSTM، Transformer
• 40. بینایی ماشین: مقدمه و کاربردها
• 41. تشخیص لبه: Canny، Sobel، Prewitt
• 42. تشخیص ویژگی: SIFT، SURF، ORB
• 43. تشخیص شی: Viola-Jones، HOG، SSD
• 44. تقسیم بندی تصویر: Semantic Segmentation، Instance Segmentation
• 45. شبکه های عصبی در بینایی ماشین: CNN، ResNet، Inception
• 46. رباتیک: مقدمه و کاربردها
• 47. حسگرها و عملگرها: انواع و نحوه کارکرد
• 48. برنامه ریزی حرکت: مسیر یابی و اجتناب از موانع
• 49. کنترل ربات: کنترل PID و سایر روش ها
• 50. هوش مصنوعی توزیع شده: سیستم های چند عامله
• 51. مذاکره و همکاری بین عامل ها
• 52. یادگیری ماشین فدرال: یادگیری توزیع شده با حفظ حریم خصوصی
• 53. هوش مصنوعی قابل توضیح (XAI): اهمیت و روش ها
• 54. تکنیک های XAI: LIME، SHAP
• 55. ارزیابی مدل های هوش مصنوعی: معیارها و روش ها
• 56. اخلاق در هوش مصنوعی: سوگیری، انصاف و مسئولیت پذیری
• 57. تاثیر هوش مصنوعی بر جامعه و اقتصاد
• 58. آینده هوش مصنوعی: پیش بینی ها و چالش ها
• 59. معماری های نرم افزاری برای هوش مصنوعی
• 60. فریم ورک ها و کتابخانه های هوش مصنوعی: TensorFlow، PyTorch، scikit-learn
• 61. مقدمه ای بر CUDA و GPU computing
• 62. بهینه سازی کد هوش مصنوعی برای عملکرد
• 63. استقرار مدل های هوش مصنوعی: Cloud، Edge
• 64. مقدمه ای بر DevOps و MLOps
• 65. نظارت و نگهداری مدل های هوش مصنوعی
• 66. هوش مصنوعی و اینترنت اشیا (IoT)
• 67. هوش مصنوعی و بلاک چین
• 68. هوش مصنوعی و امنیت سایبری
• 69. هوش مصنوعی و پزشکی
• 70. هوش مصنوعی و امور مالی
• 71. هوش مصنوعی و آموزش
• 72. هوش مصنوعی و کشاورزی
• 73. هوش مصنوعی و حمل و نقل
• 74. هوش مصنوعی و سرگرمی
• 75. آشنایی با انواع داده ها در هوش مصنوعی
• 76. پیش پردازش داده ها: پاکسازی، تبدیل و نرمال سازی
• 77. مهندسی ویژگی: انتخاب و ایجاد ویژگی های مناسب
• 78. ارزیابی مدل های هوش مصنوعی: معیارها و تکنیک ها
• 79. انتخاب مدل مناسب برای مسئله
• 80. تنظیم ابرپارامترها: Grid Search، Random Search، Bayesian Optimization
• 81. اعتبارسنجی مدل: Cross-Validation
• 82. مقدمه ای بر یادگیری انتقال (Transfer Learning)
• 83. یادگیری خود نظارتی (Self-Supervised Learning)
• 84. یادگیری فعال (Active Learning)
• 85. یادگیری چند وظیفه ای (Multi-Task Learning)
• 86. مدیریت پروژه های هوش مصنوعی
• 87. مستندسازی پروژه های هوش مصنوعی
• 88. ارائه نتایج هوش مصنوعی
• 89. کار تیمی در پروژه های هوش مصنوعی
• 90. مباحث پیشرفته در شبکه های عصبی: GAN، Autoencoder، Transformer
• 91. مباحث پیشرفته در یادگیری تقویتی: Policy Gradient، Actor-Critic
• 92. مباحث پیشرفته در NLP: BERT، GPT
• 93. مباحث پیشرفته در بینایی ماشین: Object Detection، Image Generation
• 94. پروژه عملی: طراحی و پیاده سازی یک سیستم هوش مصنوعی
• 95. مرور مقالات علمی مرتبط با هوش مصنوعی
• 96. مسابقات و چالش های هوش مصنوعی
• 97. آینده شغلی در حوزه هوش مصنوعی
• 98. منابع یادگیری بیشتر در زمینه هوش مصنوعی