دوره اصول پیچیدگی نمونه در تقویت‌کننده های صاف و اثبات تنگی قضیه هسته سخت همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول پیچیدگی نمونه در تقویت‌کننده های صاف و اثبات تنگی قضیه هسته سخت

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و الگوریتم‌های بهینه‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر
• 2. مبانی الگوریتم‌ها و ساختار داده‌ها
• 3. اصول پیچیدگی محاسباتی
• 4. مفاهیم اساسی یادگیری ماشین
• 5. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 6. یادگیری تقویتی: مفاهیم اولیه
• 7. نظریه اطلاعات و کاربردهای آن در یادگیری ماشین
• 8. آنتروپی و انتروپی متقابل
• 9. پیچیدگی نمونه در الگوریتم‌ها
• 10. مقدمه‌ای بر تقویت‌کننده‌ها (Boosting)
• 11. الگوریتم AdaBoost
• 12. الگوریتم Gradient Boosting
• 13. تقویت‌کننده‌های صاف (Smooth Boosting)
• 14. تحلیل پیچیدگی نمونه در تقویت‌کننده‌های صاف
• 15. قضیه هسته سخت (Hardcore Theorem)
• 16. اثبات تنگی قضیه هسته سخت
• 17. ارتباط بین پیچیدگی نمونه و قضیه هسته سخت
• 18. مفهوم توزیع‌های احتمالی
• 19. قضیه‌های اساسی احتمال
• 20. متغیرهای تصادفی و توابع مولد گشتاور
• 21. آمار و استنباط آماری
• 22. برآوردگرها و خواص آن‌ها
• 23. روش‌های بیشینه درست‌نمایی
• 24. روش‌های کمترین مربعات
• 25. مقدمه‌ای بر بهینه‌سازی
• 26. بهینه‌سازی محدب
• 27. گرادیان نزولی
• 28. بهینه‌سازی تصادفی
• 29. بهینه‌سازی دسته‌ای
• 30. روش‌های گشتاور (Momentum)
• 31. بهینه‌سازی Adam
• 32. بهینه‌سازی RMSprop
• 33. تنظیم نرخ یادگیری
• 34. تنظیم ابرپارامترها
• 35. اعتبارسنجی متقابل (Cross-Validation)
• 36. تنظیم‌گری (Regularization)
• 37. L1 و L2 Regularization
• 38. Dropout
• 39. Early Stopping
• 40. مدل‌های خطی
• 41. رگرسیون خطی
• 42. رگرسیون لجستیک
• 43. ماشین‌های بردار پشتیبان (SVM)
• 44. هسته‌های SVM
• 45. درختان تصمیم
• 46. جنگل‌های تصادفی
• 47. مدل‌های مبتنی بر گراف
• 48. شبکه‌های عصبی مصنوعی
• 49. معماری شبکه‌های عصبی
• 50. پس‌انتشار خطا (Backpropagation)
• 51. توابع فعال‌سازی
• 52. شبکه‌های عصبی کانولوشنال (CNN)
• 53. شبکه‌های عصبی بازگشتی (RNN)
• 54. حافظه طولانی کوتاه مدت (LSTM)
• 55. واحد بازگشتی دروازه‌ای (GRU)
• 56. پردازش زبان طبیعی (NLP)
• 57. مدل‌های زبانی
• 58. تعبیه‌سازی کلمات (Word Embeddings)
• 59. شبکه‌های عصبی ترنسفورمر
• 60. مکانیزم توجه (Attention Mechanism)
• 61. یادگیری عمیق برای بینایی ماشین
• 62. تشخیص اشیاء
• 63. تقسیم‌بندی تصاویر
• 64. تولید تصاویر
• 65. شبکه‌های مولد تخاصمی (GANs)
• 66. مقدمه‌ای بر یادگیری بدون نظارت
• 67. خوشه‌بندی (Clustering)
• 68. K-Means Clustering
• 69. DBSCAN
• 70. تحلیل مولفه‌های اصلی (PCA)
• 71. کاهش ابعاد
• 72. مدل‌های آماری برای کاهش ابعاد
• 73. کدگذارها (Autoencoders)
• 74. یادگیری عمیق برای داده‌های نامتعادل
• 75. ارزیابی مدل‌های یادگیری ماشین
• 76. معیارهای ارزیابی طبقه‌بندی
• 77. معیارهای ارزیابی رگرسیون
• 78. منحنی ROC و AUC
• 79. مقدمه‌ای بر تئوری بازی‌ها
• 80. کاربرد تئوری بازی‌ها در یادگیری ماشین
• 81. یادگیری تقویتی چند عاملی
• 82. مدل‌سازی پیچیدگی در سیستم‌های پویا
• 83. تحلیل پایداری سیستم‌ها
• 84. کاربرد ریاضیات گسسته در علوم کامپیوتر
• 85. مفاهیم گراف در یادگیری ماشین
• 86. شبکه‌های عصبی گراف (GNNs)
• 87. یادگیری فدرال (Federated Learning)
• 88. حریم خصوصی و امنیت در یادگیری ماشین
• 89. اخلاق در هوش مصنوعی
• 90. ملاحظات شرعی در فناوری اطلاعات
• 91. قوانین و مقررات فضای مجازی در ایران
• 92. استانداردهای محتوای دیجیتال
• 93. حفاظت از داده‌ها و حریم خصوصی کاربران
• 94. کاربرد هوش مصنوعی در صنایع داخلی
• 95. فناوری‌های نوین و آینده شغلی
• 96. نوآوری در الگوریتم‌های یادگیری ماشین
• 97. چالش‌های پیاده‌سازی مدل‌های پیچیده
• 98. کاربرد مدل‌های پیچیده در حل مسائل واقعی
• 99. توسعه پایدار و هوش مصنوعی
• 100. فرهنگ‌سازی استفاده صحیح از فناوری