دوره اصول یادگیری ماشین با پایتون و کاربردهای عملی آن همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول یادگیری ماشین با پایتون و کاربردهای عملی آن

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: یادگیری ماشین و کاربردهای آن

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر فناوری اطلاعات و علوم داده
• 2. مبانی پایتون برای علم داده
• 3. ساختارهای داده در پایتون
• 4. کار با کتابخانه‌های NumPy و Pandas
• 5. مقدمه‌ای بر یادگیری ماشین
• 6. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 7. مقدمه‌ای بر یادگیری نظارت شده
• 8. رگرسیون خطی
• 9. ارزیابی مدل‌های رگرسیون
• 10. رگرسیون لجستیک
• 11. مقدمه‌ای بر طبقه‌بندی
• 12. متریک‌های ارزیابی طبقه‌بندی
• 13. درختان تصمیم
• 14. جنگل‌های تصادفی
• 15. ماشین‌های بردار پشتیبان (SVM)
• 16. مقدمه‌ای بر یادگیری بدون نظارت
• 17. خوشه‌بندی K-Means
• 18. ارزیابی خوشه‌بندی
• 19. تحلیل مولفه‌های اصلی (PCA)
• 20. کاربرد PCA در کاهش ابعاد
• 21. مقدمه‌ای بر شبکه‌های عصبی
• 22. نورون‌های مصنوعی
• 23. شبکه‌های پرسپترون چندلایه (MLP)
• 24. تابع فعال‌سازی در شبکه‌های عصبی
• 25. پس‌انتشار خطا (Backpropagation)
• 26. بهینه‌سازها در شبکه‌های عصبی
• 27. شبکه‌های عصبی کانولوشنال (CNN)
• 28. کاربرد CNN در پردازش تصویر
• 29. شبکه‌های عصبی بازگشتی (RNN)
• 30. کاربرد RNN در پردازش زبان طبیعی
• 31. پردازش زبان طبیعی (NLP) مقدماتی
• 32. توکنیزاسیون و نرمال‌سازی متن
• 33. مدل‌های زبانی آماری
• 34. مقدمه‌ای بر مدل‌های ترنسفورمر
• 35. کاربرد ترنسفورمرها در NLP
• 36. یادگیری عمیق برای پردازش تصویر
• 37. تشخیص اشیاء
• 38. بخش‌بندی تصویر
• 39. یادگیری تقویتی مقدماتی
• 40. عناصر یادگیری تقویتی
• 41. الگوریتم‌های یادگیری تقویتی
• 42. کاربرد یادگیری تقویتی در رباتیک
• 43. کاربرد یادگیری تقویتی در بازی‌ها
• 44. مقدمه‌ای بر هوش مصنوعی مولد
• 45. شبکه‌های مولد تخاصمی (GAN)
• 46. کاربرد GAN در تولید تصویر
• 47. مدل‌های زبانی بزرگ (LLM)
• 48. معماری ترنسفورمر در LLM
• 49. آموزش و تنظیم دقیق LLM
• 50. کاربرد LLM در تولید متن
• 51. کاربرد LLM در خلاصه‌سازی متن
• 52. کاربرد LLM در ترجمه ماشینی
• 53. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 54. سوگیری در داده‌ها و مدل‌ها
• 55. عدالت و شفافیت در هوش مصنوعی
• 56. حریم خصوصی و امنیت در هوش مصنوعی
• 57. مسئولیت‌پذیری در هوش مصنوعی
• 58. تفسیرپذیری مدل‌های هوش مصنوعی
• 59. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 60. فیلترینگ مشارکتی
• 61. فیلترینگ مبتنی بر محتوا
• 62. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 63. کاربرد سیستم‌های توصیه‌گر در تجارت الکترونیک
• 64. کاربرد سیستم‌های توصیه‌گر در رسانه‌های اجتماعی
• 65. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 66. ابزارهای پردازش داده‌های بزرگ
• 67. کاربرد یادگیری ماشین در داده‌های بزرگ
• 68. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 69. انتقال دانش بین وظایف
• 70. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 71. کاربرد یادگیری انتقالی در پردازش تصویر
• 72. کاربرد یادگیری انتقالی در NLP
• 73. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 74. حفظ حریم خصوصی در یادگیری فدرال
• 75. کاربرد یادگیری فدرال در سلامت
• 76. کاربرد یادگیری فدرال در دستگاه‌های هوشمند
• 77. مقدمه‌ای بر یادگیری خودنظارت (Self-Supervised Learning)
• 78. یادگیری نمایشی (Representation Learning)
• 79. کاربرد یادگیری خودنظارت در NLP
• 80. کاربرد یادگیری خودنظارت در بینایی ماشین
• 81. مقدمه‌ای بر یادگیری نیمه‌نظارت شده (Semi-Supervised Learning)
• 82. استفاده از داده‌های برچسب‌دار و بدون برچسب
• 83. کاربرد یادگیری نیمه‌نظارت شده
• 84. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 85. یادگیری مشترک وظایف
• 86. کاربرد یادگیری چندوظیفه‌ای
• 87. مقدمه‌ای بر یادگیری تقویتی عمیق (Deep RL)
• 88. ترکیب شبکه‌های عصبی عمیق با یادگیری تقویتی
• 89. الگوریتم‌های Deep RL
• 90. کاربرد Deep RL در رباتیک پیشرفته
• 91. کاربرد Deep RL در سیستم‌های خودران
• 92. مقدمه‌ای بر پردازش ویدئو با یادگیری ماشین
• 93. استخراج ویژگی از فریم‌های ویدئو
• 94. تشخیص و ردیابی اشیاء در ویدئو
• 95. تحلیل احساسات از ویدئو
• 96. کاربرد یادگیری ماشین در سلامت دیجیتال
• 97. تشخیص بیماری از تصاویر پزشکی
• 98. پیش‌بینی روند بیماری
• 99. تحلیل داده‌های سلامت الکترونیکی
• 100. مقدمه‌ای بر کاربردهای صنعتی هوش مصنوعی