دوره اصول یادگیری ماشین: از مبانی تا پیاده‌سازی با قلم و کاغذ همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول یادگیری ماشین: از مبانی تا پیاده‌سازی با قلم و کاغذ

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی یادگیری ماشین با رویکرد عملی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مجموعه داده‌ها و پیش‌پردازش آن‌ها
• 5. پاکسازی و آماده‌سازی داده‌ها
• 6. مهندسی ویژگی: انتخاب و استخراج ویژگی
• 7. کاهش ابعاد: PCA و t-SNE
• 8. رگرسیون خطی ساده
• 9. ارزیابی مدل رگرسیون خطی
• 10. رگرسیون خطی چندگانه
• 11. مقدمه‌ای بر رگرسیون لجستیک
• 12. طبقه‌بندی با رگرسیون لجستیک
• 13. معیارهای ارزیابی طبقه‌بندی: دقت، صحت، بازیابی
• 14. ماتریس درهم‌ریختگی
• 15. منحنی ROC و AUC
• 16. ماشین‌های بردار پشتیبان (SVM)
• 17. هسته‌های SVM
• 18. درخت‌های تصمیم
• 19. قوانین انجمنی و الگوریتم Apriori
• 20. خوشه‌بندی: K-Means
• 21. ارزیابی خوشه‌بندی: شاخص سیلوئت
• 22. خوشه‌بندی سلسله مراتبی
• 23. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 24. نورون مصنوعی و تابع فعال‌سازی
• 25. شبکه‌های عصبی پیش‌خور
• 26. آموزش شبکه‌های عصبی: پس‌انتشار خطا
• 27. بهینه‌سازی در شبکه‌های عصبی: گرادیان کاهشی
• 28. نرخ یادگیری و تنظیم آن
• 29. بسته‌بندی داده‌ها (Batch Gradient Descent)
• 30. گرادیان کاهشی تصادفی (SGD)
• 31. گرادیان کاهشی مینی‌بچ
• 32. تنظیم‌کننده‌ها (Regularization): L1 و L2
• 33. مقدمه‌ای بر یادگیری عمیق
• 34. شبکه‌های عصبی کانولوشنی (CNN)
• 35. کاربرد CNN در پردازش تصویر
• 36. شبکه‌های عصبی بازگشتی (RNN)
• 37. کاربرد RNN در پردازش زبان طبیعی
• 38. حافظه طولانی کوتاه مدت (LSTM)
• 39. واحد بازگشتی دروازه‌ای (GRU)
• 40. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 41. توکن‌سازی و نرمال‌سازی متن
• 42. مدل‌های زبانی آماری
• 43. مدل‌های زبانی مبتنی بر یادگیری عمیق
• 44. یادگیری نمایش کلمات (Word Embeddings): Word2Vec
• 45. یادگیری نمایش کلمات: GloVe
• 46. تحلیل احساسات
• 47. سیستم‌های توصیه‌گر
• 48. فیلترینگ مشارکتی
• 49. فیلترینگ مبتنی بر محتوا
• 50. مقدمه‌ای بر یادگیری تقویتی
• 51. عامل و محیط در یادگیری تقویتی
• 52. پاداش و حالت
• 53. سیاست عامل
• 54. تابع ارزش
• 55. الگوریتم Q-Learning
• 56. الگوریتم SARSA
• 57. مقدمه‌ای بر مدل‌های گرافیکی
• 58. شبکه‌های بیزی
• 59. ماشین‌های بولتزمن
• 60. شبکه‌های عصبی گراف (GNN)
• 61. مقدمه‌ای بر یادگیری بدون نظارت
• 62. کاهش ابعاد با Autoencoders
• 63. مقدمه‌ای بر روش‌های نیمه نظارت شده
• 64. یادگیری انتقالی (Transfer Learning)
• 65. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 66. معرفی ابزارها و کتابخانه‌ها: Scikit-learn
• 67. پیاده‌سازی مدل‌ها با Scikit-learn
• 68. معرفی ابزارها و کتابخانه‌ها: TensorFlow
• 69. معرفی ابزارها و کتابخانه‌ها: PyTorch
• 70. ساخت مدل‌های سفارشی با TensorFlow
• 71. ساخت مدل‌های سفارشی با PyTorch
• 72. اعتبارسنجی متقابل (Cross-validation)
• 73. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 74. جستجوی شبکه‌ای (Grid Search)
• 75. جستجوی تصادفی (Random Search)
• 76. روش‌های پیشرفته تنظیم ابرپارامترها: Bayesian Optimization
• 77. نکات عملی در ساخت و استقرار مدل‌ها
• 78. مدیریت نسخه مدل‌ها
• 79. اصول اخلاقی در هوش مصنوعی
• 80. تعصب در الگوریتم‌ها و روش‌های کاهش آن
• 81. شفافیت و قابلیت تفسیر مدل‌ها
• 82. حریم خصوصی در داده‌ها و مدل‌ها
• 83. امنیت مدل‌های یادگیری ماشین
• 84. هوش مصنوعی مولد
• 85. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 86. کاربرد LLMs در تولید متن
• 87. کاربرد LLMs در خلاصه‌سازی
• 88. کاربرد LLMs در ترجمه
• 89. کاربرد LLMs در پاسخ به سوالات
• 90. ملاحظات فنی در کار با LLMs
• 91. تنظیم دقیق LLMs برای وظایف خاص
• 92. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 93. کاربرد یادگیری فعال در کاهش نیاز به داده‌های برچسب‌دار
• 94. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)
• 95. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 96. کاربرد یادگیری فدرال در حفظ حریم خصوصی
• 97. مقدمه‌ای بر یادگیری تقویتی عمیق
• 98. کاربرد یادگیری تقویتی عمیق در رباتیک
• 99. کاربرد یادگیری تقویتی عمیق در بازی‌ها
• 100. مقدمه‌ای بر بینایی ماشین (Computer Vision)