دوره کشف الگوها در داده‌ها با الگوریتم‌های یادگیری بدون نظارت همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف الگوها در داده‌ها با الگوریتم‌های یادگیری بدون نظارت

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین بدون نظارت

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کشف الگوها در داده‌ها
• 2. مبانی یادگیری بدون نظارت
• 3. انواع داده‌ها در یادگیری ماشین
• 4. پیش‌پردازش داده‌ها برای یادگیری بدون نظارت
• 5. پاکسازی و نرمال‌سازی داده‌ها
• 6. کاهش ابعاد در داده‌ها
• 7. تحلیل مولفه‌های اصلی (PCA)
• 8. تحلیل تفکیک‌کننده‌های خطی (LDA)
• 9. کاربرد PCA در کاهش ابعاد
• 10. کاربرد LDA در کاهش ابعاد
• 11. خوشه‌بندی داده‌ها
• 12. مقدمه‌ای بر الگوریتم‌های خوشه‌بندی
• 13. خوشه‌بندی K-Means
• 14. تنظیم پارامتر K در K-Means
• 15. ارزیابی کیفیت خوشه‌بندی
• 16. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 17. دندروگرام‌ها و تفسیر آن‌ها
• 18. خوشه‌بندی DBSCAN
• 19. مزایا و معایب DBSCAN
• 20. کاربردهای خوشه‌بندی در تحلیل داده
• 21. خوشه‌بندی مشتریان
• 22. خوشه‌بندی اسناد
• 23. خوشه‌بندی تصاویر
• 24. کشف قوانین وابستگی (Association Rule Mining)
• 25. مقدمه‌ای بر کشف قوانین وابستگی
• 26. الگوریتم Apriori
• 27. مفهوم حمایت (Support) و اطمینان (Confidence)
• 28. استخراج قوانین وابستگی معنی‌دار
• 29. کاربردهای کشف قوانین وابستگی
• 30. تحلیل سبد خرید
• 31. پیشنهاد محصولات
• 32. کاربردهای دیگر قوانین وابستگی
• 33. کاهش ابعاد غیرخطی
• 34. نگاشت چندبعدی (Multidimensional Scaling - MDS)
• 35. توزیع‌های تصادفی و مدل‌سازی آن‌ها
• 36. مقدمه‌ای بر مدل‌های مولد
• 37. تحلیل مولفه‌های مستقل (ICA)
• 38. مقدمه‌ای بر ICA
• 39. کاربردهای ICA
• 40. بسط یافتن خودکار (Autoencoders)
• 41. ساختار کلی Autoencoders
• 42. کاربرد Autoencoders در کاهش ابعاد
• 43. Autoencoders برای حذف نویز
• 44. Autoencoders متغیر (Variational Autoencoders - VAEs)
• 45. مقدمه‌ای بر VAEs
• 46. کاربرد VAEs در تولید داده
• 47. مدل‌های گرافیکی احتمالی (Probabilistic Graphical Models)
• 48. شبکه‌های بیزی (Bayesian Networks)
• 49. مقدمه‌ای بر شبکه‌های بیزی
• 50. کاربردهای شبکه‌های بیزی
• 51. فیلتر کالمن (Kalman Filter)
• 52. مقدمه‌ای بر فیلتر کالمن
• 53. کاربرد فیلتر کالمن در تخمین وضعیت
• 54. مدل‌های مارکوف پنهان (Hidden Markov Models - HMMs)
• 55. مقدمه‌ای بر HMMs
• 56. کاربرد HMMs در تشخیص الگو
• 57. شبکه‌های عصبی و یادگیری بدون نظارت
• 58. خودرمزگذارها (Autoencoders) در شبکه‌های عصبی
• 59. یادگیری بازنمایی (Representation Learning)
• 60. یادگیری بدون نظارت عمیق
• 61. مقدمه‌ای بر یادگیری بدون نظارت عمیق
• 62. کاربرد خودرمزگذارها در یادگیری بازنمایی
• 63. شبکه‌های مولد تخاصمی (Generative Adversarial Networks - GANs)
• 64. مقدمه‌ای بر GANs
• 65. کاربرد GANs در تولید داده‌های مصنوعی
• 66. GANs برای افزایش کیفیت تصاویر
• 67. کاربرد GANs در ترجمه تصویر به تصویر
• 68. مدل‌های آنسامبل در یادگیری بدون نظارت
• 69. ترکیب مدل‌های خوشه‌بندی
• 70. ترکیب مدل‌های کاهش ابعاد
• 71. کاربرد درک الگوریتم‌های بدون نظارت در تحلیل داده
• 72. پایان‌نامه‌ها و پروژه‌های عملی
• 73. طراحی پروژه یادگیری بدون نظارت
• 74. جمع‌آوری و آماده‌سازی داده‌ها
• 75. انتخاب و پیاده‌سازی الگوریتم‌ها
• 76. ارزیابی نتایج و تفسیر آن‌ها
• 77. ارائه گزارش پروژه
• 78. مطالعات موردی پیشرفته
• 79. تحلیل داده‌های سری زمانی بدون نظارت
• 80. خوشه‌بندی داده‌های متنی
• 81. کشف ناهنجاری‌ها (Anomaly Detection)
• 82. مقدمه‌ای بر کشف ناهنجاری‌ها
• 83. الگوریتم‌های مبتنی بر فاصله
• 84. الگوریتم‌های مبتنی بر چگالی
• 85. الگوریتم‌های مبتنی بر مدل
• 86. کاربردهای کشف ناهنجاری
• 87. تشخیص تقلب
• 88. تشخیص نفوذ در شبکه‌ها
• 89. پایش وضعیت سیستم‌ها
• 90. پیش‌بینی و تحلیل روندها
• 91. استفاده از ابزارهای نرم‌افزاری
• 92. پایتون و کتابخانه‌های یادگیری ماشین
• 93. scikit-learn برای یادگیری بدون نظارت
• 94. TensorFlow و PyTorch برای یادگیری عمیق
• 95. بررسی کتابخانه‌های دیگر
• 96. آینده یادگیری بدون نظارت
• 97. روندهای نوین در یادگیری بدون نظارت
• 98. چالش‌های پیش رو
• 99. کاربردهای آتی یادگیری بدون نظارت