دوره مبانی یادگیری ماشین: سادگی در مدل‌های یادگیری سازگار همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین: سادگی در مدل‌های یادگیری سازگار

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
• 2. تعریف یادگیری ماشین و انواع آن
• 3. مروری بر مفاهیم آماری پایه برای یادگیری ماشین
• 4. نظریه احتمال و کاربرد آن در مدل‌سازی
• 5. آمار توصیفی و استنباطی
• 6. مفاهیم اساسی یادگیری نظارت شده
• 7. رگرسیون خطی ساده و چندگانه
• 8. ارزیابی مدل‌های رگرسیون
• 9. طبقه‌بندی خطی
• 10. رگرسیون لجستیک
• 11. ارزیابی مدل‌های طبقه‌بندی
• 12. مفهوم واریانس و بایاس (Bias-Variance Tradeoff)
• 13. مدل‌های مبتنی بر درخت تصمیم
• 14. درختان تصمیم برای رگرسیون
• 15. درختان تصمیم برای طبقه‌بندی
• 16. ارزیابی درختان تصمیم
• 17. مقدمه‌ای بر الگوریتم‌های دسته‌بندی‌کننده
• 18. دسته‌بندی‌کننده بیز ساده (Naive Bayes)
• 19. مفاهیم یادگیری بدون نظارت
• 20. خوشه‌بندی K-Means
• 21. ارزیابی خوشه‌بندی
• 22. کاهش ابعاد
• 23. تحلیل مؤلفه‌های اصلی (PCA)
• 24. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 25. نورون مصنوعی و توابع فعال‌سازی
• 26. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 27. پس‌انتشار خطا (Backpropagation)
• 28. بهینه‌سازی در شبکه‌های عصبی
• 29. آموزش مدل‌های عمیق
• 30. شبکه‌های عصبی کانولوشنال (CNN)
• 31. کاربرد CNN در پردازش تصویر
• 32. شبکه‌های عصبی بازگشتی (RNN)
• 33. کاربرد RNN در پردازش زبان طبیعی
• 34. یادگیری تقویتی: مفاهیم پایه
• 35. عامل، محیط، حالت، عمل، پاداش
• 36. یادگیری تقویتی بدون مدل
• 37. یادگیری تقویتی با مدل
• 38. الگوریتم‌های Q-Learning
• 39. الگوریتم‌های Policy Gradient
• 40. مقدمه‌ای بر یادگیری عمیق
• 41. مدل‌های زبانی و پردازش متن
• 42. شبکه‌های ترنسفورمر
• 43. کاربرد ترنسفورمرها در مدل‌های زبانی بزرگ
• 44. مدل‌های مولد
• 45. خودرمزگذارها (Autoencoders)
• 46. شبکه‌های مولد تخاصمی (GANs)
• 47. کاربرد GANs در تولید تصویر
• 48. یادگیری انتقالی (Transfer Learning)
• 49. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 50. یادگیری چند-وظیفه‌ای (Multi-task Learning)
• 51. یادگیری فدرال (Federated Learning)
• 52. مقدمه‌ای بر یادگیری ماشین سازگار
• 53. چالش‌های یادگیری ماشین در دنیای واقعی
• 54. مفهوم سازگاری در یادگیری ماشین
• 55. اهمیت سادگی در مدل‌های یادگیری
• 56. قاعده اوکام (Occam's Razor) در انتخاب مدل
• 57. مدل‌های ساده در مقابل مدل‌های پیچیده
• 58. تکنیک‌های انتخاب ویژگی (Feature Selection)
• 59. انتخاب ویژگی مبتنی بر فیلتر
• 60. انتخاب ویژگی مبتنی بر wrapper
• 61. انتخاب ویژگی مبتنی بر embedded
• 62. اهمیت مهندسی ویژگی (Feature Engineering)
• 63. روش‌های ایجاد ویژگی‌های جدید
• 64. کاربرد ویژگی‌های مهندسی شده در مدل‌ها
• 65. تنظیم فراپارامترها (Hyperparameter Tuning)
• 66. جستجوی شبکه‌ای (Grid Search)
• 67. جستجوی تصادفی (Random Search)
• 68. بهینه‌سازی بیزین (Bayesian Optimization)
• 69. روش‌های اعتبارسنجی متقابل (Cross-Validation)
• 70. اعتبارسنجی K-Fold
• 71. اعتبارسنجی Leave-One-Out
• 72. مدیریت داده‌های نامتوازن (Imbalanced Data)
• 73. روش‌های نمونه‌برداری
• 74. تکنیک‌های افزایش داده (Data Augmentation)
• 75. تکنیک‌های منظم‌سازی (Regularization)
• 76. منظم‌سازی L1 و L2
• 77. کاهش بیش‌برازش (Overfitting)
• 78. مقدمه‌ای بر یادگیری ماشین قابل تفسیر (Interpretable ML)
• 79. چرا تفسیرپذیری مهم است؟
• 80. روش‌های تفسیرپذیری سراسری (Global Interpretability)
• 81. روش‌های تفسیرپذیری محلی (Local Interpretability)
• 82. روش LIME
• 83. روش SHAP
• 84. کاربرد تفسیرپذیری در حوزه‌های مختلف
• 85. ملاحظات اخلاقی در یادگیری ماشین
• 86. سوگیری در داده‌ها و مدل‌ها
• 87. عدالت و انصاف در هوش مصنوعی
• 88. حریم خصوصی و امنیت داده‌ها
• 89. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 90. مقدمه‌ای بر یادگیری ماشین پایدار
• 91. یادگیری ماشین و توسعه پایدار
• 92. کاربرد یادگیری ماشین در محیط زیست
• 93. کاربرد یادگیری ماشین در سلامت
• 94. کاربرد یادگیری ماشین در آموزش
• 95. مقدمه‌ای بر معماری‌های نوین یادگیری ماشین
• 96. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 97. شبکه‌های عصبی گراف (Graph Neural Networks)
• 98. کاربرد GNN در تحلیل شبکه‌ها
• 99. یادگیری ماشین در سیستم‌های توصیه‌گر
• 100. مقدمه‌ای بر هوش مصنوعی مولد