دوره اصول استنتاج در یادگیری آماری (PAC Learning) با رویکرد ساده‌سازی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول استنتاج در یادگیری آماری (PAC Learning) با رویکرد ساده‌سازی

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی یادگیری آماری
• 2. مقدمه‌ای بر یادگیری آماری
• 3. مفهوم کلاس‌های تابع
• 4. مدل‌های یادگیری
• 5. مفهوم یادگیری سازگار
• 6. مسئله یادگیری استنتاجی
• 7. فضای فرضیه
• 8. حدود PAC
• 9. یادگیری در کلاس‌های محدود
• 10. قضیه PAC برای کلاس‌های محدود
• 11. پیچیدگی VC
• 12. نظریه VC-Dimension
• 13. ارتباط VC-Dimension با PAC
• 14. یادگیری در کلاس‌های نامحدود
• 15. حدود PAC برای کلاس‌های نامحدود
• 16. اهمیت ساده‌سازی در یادگیری
• 17. اصل تیغ اوکام
• 18. ساده‌سازی در یادگیری آماری
• 19. کاهش پیچیدگی مدل
• 20. انتخاب مدل ساده‌تر
• 21. تکنیک‌های انتخاب مدل
• 22. اعتبارسنجی متقابل
• 23. تنظیم ابرپارامترها
• 24. مدل‌های خطی
• 25. رگرسیون خطی
• 26. طبقه‌بندی خطی
• 27. ماشین‌های بردار پشتیبان (SVM)
• 28. مقدمه‌ای بر شبکه‌های عصبی
• 29. ساختار شبکه‌های عصبی
• 30. آموزش شبکه‌های عصبی
• 31. پس‌انتشار خطا
• 32. شبکه‌های عصبی عمیق
• 33. مقدمه‌ای بر یادگیری عمیق
• 34. شبکه‌های عصبی کانولوشنی (CNN)
• 35. کاربرد CNN در بینایی ماشین
• 36. شبکه‌های عصبی بازگشتی (RNN)
• 37. کاربرد RNN در پردازش زبان طبیعی
• 38. مدل‌های زبانی
• 39. مقدمه‌ای بر پردازش زبان طبیعی
• 40. تحلیل احساسات
• 41. ترجمه ماشینی
• 42. خلاصه‌سازی متن
• 43. سیستم‌های توصیه‌گر
• 44. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 45. فیلترینگ مشارکتی
• 46. فیلترینگ مبتنی بر محتوا
• 47. یادگیری تقویتی
• 48. مقدمه‌ای بر یادگیری تقویتی
• 49. عامل و محیط
• 50. پاداش و سیاست
• 51. یادگیری آفلاین و آنلاین
• 52. یادگیری عمیق تقویتی
• 53. کاربردهای یادگیری تقویتی
• 54. مفاهیم اساسی استنتاج آماری
• 55. احتمال شرطی
• 56. قضیه بیز
• 57. استنتاج بیزی
• 58. مقدمه‌ای بر مدل‌های گرافیکی
• 59. شبکه‌های بیزی
• 60. میدان‌های تصادفی مارکوف
• 61. کاربرد مدل‌های گرافیکی
• 62. یادگیری ماشین بدون نظارت
• 63. خوشه‌بندی
• 64. الگوریتم K-Means
• 65. خوشه‌بندی سلسله مراتبی
• 66. کاهش ابعاد
• 67. تحلیل مؤلفه‌های اصلی (PCA)
• 68. تجزیه مقادیر منفرد (SVD)
• 69. یادگیری ماشین نیمه‌نظارتی
• 70. یادگیری انتقالی
• 71. مقدمه‌ای بر یادگیری انتقالی
• 72. تنظیم دقیق مدل‌ها
• 73. استفاده از مدل‌های از پیش آموزش‌دیده
• 74. مباحث پیشرفته در یادگیری ماشین
• 75. یادگیری چند وظیفه‌ای
• 76. یادگیری federated
• 77. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 78. سوگیری در الگوریتم‌ها
• 79. تفسیرپذیری مدل‌ها
• 80. امنیت در هوش مصنوعی
• 81. حریم خصوصی در یادگیری ماشین
• 82. ملاحظات حقوقی در هوش مصنوعی
• 83. قوانین حفاظت از داده‌ها
• 84. استانداردهای داده در ایران
• 85. چارچوب‌های قانونی داده
• 86. نظارت بر داده‌ها
• 87. امنیت داده‌ها در ایران
• 88. قوانین حفاظت از اطلاعات
• 89. مقررات مربوط به داده‌های حساس
• 90. استفاده اخلاقی از داده‌ها
• 91. پیش‌بینی و تحلیل داده‌ها
• 92. مدل‌سازی داده‌های سری زمانی
• 93. تحلیل آماری داده‌ها
• 94. اعتبارسنجی مدل‌های آماری
• 95. تفسیر نتایج آماری
• 96. گزارش‌دهی آماری
• 97. ارتباط با متخصصان آماری
• 98. اهمیت دقت در تحلیل
• 99. محدودیت‌های مدل‌های آماری
• 100. توسعه مدل‌های جدید