دوره مهندسی هوش مصنوعی: از مبانی تا پیاده‌سازی سامانه‌های کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی هوش مصنوعی: از مبانی تا پیاده‌سازی سامانه‌های کاربردی

موضوع کلی: مهندسی نرم‌افزار و هوش مصنوعی

موضوع میانی: توسعهٔ سامانه‌های هوشمند

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی هوش مصنوعی
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 5. مهندسی ویژگی و انتخاب ویژگی
• 6. مدل‌های خطی: رگرسیون خطی
• 7. مدل‌های خطی: رگرسیون لجستیک
• 8. مبانی شبکه‌های عصبی مصنوعی
• 9. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 10. تابع فعال‌سازی در شبکه‌های عصبی
• 11. بهینه‌سازی شبکه‌های عصبی: گرادیان کاهشی
• 12. الگوریتم‌های بهینه‌سازی پیشرفته
• 13. تنظیم ابرپارامترها و اعتبارسنجی متقابل
• 14. مقدمه‌ای بر یادگیری عمیق
• 15. شبکه‌های عصبی کانولوشنی (CNN)
• 16. کاربرد CNN در بینایی ماشین
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. کاربرد RNN در پردازش زبان طبیعی
• 19. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 20. شبکه‌های حافظه طولانی کوتاه (GRU)
• 21. معماری ترنسفورمر و توجه
• 22. مبانی پردازش زبان طبیعی (NLP)
• 23. پیش‌پردازش متن برای NLP
• 24. مدل‌سازی زبان
• 25. تشخیص موجودیت نام‌دار (NER)
• 26. تحلیل احساسات
• 27. ترجمه ماشینی
• 28. سیستم‌های پرسش و پاسخ
• 29. کاربرد NLP در دستیارهای صوتی
• 30. مبانی بینایی ماشین
• 31. پردازش تصویر پایه
• 32. تشخیص لبه و مرز
• 33. استخراج ویژگی از تصاویر
• 34. تشخیص و ردیابی اشیاء
• 35. تشخیص چهره
• 36. طبقه‌بندی تصاویر
• 37. تقسیم‌بندی تصاویر (Segmentation)
• 38. تولید تصویر با مدل‌های مولد
• 39. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 40. کاربرد GAN در تولید تصویر
• 41. یادگیری تقویتی: مفاهیم پایه
• 42. عامل، محیط، پاداش
• 43. سیاست و تابع ارزش
• 44. الگوریتم‌های Q-Learning
• 45. الگوریتم‌های Deep Q-Network (DQN)
• 46. الگوریتم‌های Actor-Critic
• 47. کاربرد یادگیری تقویتی در رباتیک
• 48. کاربرد یادگیری تقویتی در بازی‌ها
• 49. مقدمه‌ای بر مهندسی هوش مصنوعی
• 50. چرخه حیات پروژه هوش مصنوعی
• 51. جمع‌آوری و آماده‌سازی داده‌ها
• 52. انتخاب و طراحی مدل
• 53. آموزش و ارزیابی مدل
• 54. استقرار مدل‌های هوش مصنوعی
• 55. پایش و نگهداری مدل‌ها
• 56. اخلاق در هوش مصنوعی
• 57. سوگیری در داده‌ها و مدل‌ها
• 58. مسئولیت‌پذیری در هوش مصنوعی
• 59. شفافیت در مدل‌های هوش مصنوعی
• 60. امنیت سامانه‌های هوش مصنوعی
• 61. حریم خصوصی داده‌ها
• 62. کاربرد هوش مصنوعی در صنعت
• 63. هوش مصنوعی در سلامت
• 64. هوش مصنوعی در مالی
• 65. هوش مصنوعی در حمل و نقل
• 66. هوش مصنوعی در تولید
• 67. هوش مصنوعی در کشاورزی
• 68. هوش مصنوعی در آموزش
• 69. هوش مصنوعی در خدمات مشتری
• 70. ابزارها و چارچوب‌های توسعه هوش مصنوعی
• 71. TensorFlow و Keras
• 72. PyTorch
• 73. Scikit-learn
• 74. کتابخانه‌های پردازش زبان طبیعی
• 75. کتابخانه‌های بینایی ماشین
• 76. مبانی داده‌کاوی
• 77. الگوریتم‌های خوشه‌بندی
• 78. قوانین وابستگی (Association Rules)
• 79. پیش‌بینی سری‌های زمانی
• 80. تشخیص ناهنجاری
• 81. مقدمه‌ای بر سامانه‌های توصیه‌گر
• 82. فیلترینگ مبتنی بر محتوا
• 83. فیلترینگ مشارکتی
• 84. ترکیب روش‌ها در سامانه‌های توصیه‌گر
• 85. مباحث پیشرفته در هوش مصنوعی
• 86. یادگیری انتقالی (Transfer Learning)
• 87. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 88. یادگیری فدرال (Federated Learning)
• 89. هوش مصنوعی قابل تفسیر (XAI)
• 90. سیستم‌های خبره
• 91. پردازش تصویر پیشرفته
• 92. پردازش زبان طبیعی پیشرفته
• 93. پیاده‌سازی سامانه هوشمند کاربردی
• 94. مدیریت پروژه نرم‌افزار در ایران
• 95. قوانین و مقررات فضای مجازی در ایران
• 96. اصول معماری نرم‌افزار در سامانه‌های کلان
• 97. مهندسی نیازمندی‌ها برای سامانه‌های هوشمند
• 98. طراحی پایگاه داده برای داده‌های حجیم
• 99. امنیت سامانه‌های نرم‌افزاری در ایران
• 100. تست و تضمین کیفیت نرم‌افزار