دوره مهندسی یادگیری ماشین: از مبانی تا پیاده‌سازی مدل‌های پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی یادگیری ماشین: از مبانی تا پیاده‌سازی مدل‌های پیشرفته

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی یادگیری ماشین
• 2. مبانی ریاضیات برای یادگیری ماشین
• 3. جبر خطی در یادگیری ماشین
• 4. حساب دیفرانسیل و انتگرال در یادگیری ماشین
• 5. آمار و احتمالات برای یادگیری ماشین
• 6. مفاهیم اولیه یادگیری ماشین
• 7. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 8. مدل‌های یادگیری ماشین: رگرسیون خطی
• 9. مدل‌های یادگیری ماشین: رگرسیون لجستیک
• 10. دسته‌بندی‌کننده‌های بیز ساده
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. درختان تصمیم
• 13. جنگل‌های تصادفی
• 14. تقویت گرادیان (Gradient Boosting)
• 15. شبکه‌های عصبی مقدماتی
• 16. معماری شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 17. توابع فعال‌سازی در شبکه‌های عصبی
• 18. بهینه‌سازی شبکه‌های عصبی: گرادیان کاهشی
• 19. روش‌های تنظیم نرخ یادگیری
• 20. تکنیک‌های تنظیم‌کننده (Regularization)
• 21. اعتبارسنجی متقابل (Cross-validation)
• 22. ارزیابی مدل‌ها: معیارهای دقت، صحت، بازیابی، F1-score
• 23. مهندسی ویژگی (Feature Engineering)
• 24. انتخاب ویژگی (Feature Selection)
• 25. یادگیری عمیق (Deep Learning)
• 26. شبکه‌های عصبی کانولوشنی (CNN)
• 27. کاربرد CNN در پردازش تصویر
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. کاربرد RNN در پردازش زبان طبیعی
• 30. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 31. شبکه‌های حافظه کوتاه مدت (GRU)
• 32. توجه (Attention Mechanism)
• 33. مدل‌های ترنسفورمر (Transformer Models)
• 34. کاربرد ترنسفورمر در پردازش زبان طبیعی
• 35. یادگیری تقویتی (Reinforcement Learning)
• 36. مفاهیم پایه یادگیری تقویتی: عامل، محیط، پاداش
• 37. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 38. الگوریتم‌های یادگیری تقویتی: Deep Q-Networks (DQN)
• 39. یادگیری بدون نظارت (Unsupervised Learning)
• 40. خوشه‌بندی: K-Means
• 41. خوشه‌بندی: DBSCAN
• 42. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 43. کاهش ابعاد: t-SNE
• 44. تولید مدل (Generative Models)
• 45. شبکه‌های مولد تخاصمی (GANs)
• 46. کاربرد GANs در تولید تصویر
• 47. مدل‌های زبانی بزرگ (LLMs)
• 48. معماری مدل‌های ترنسفورمر برای LLMs
• 49. تنظیم دقیق (Fine-tuning) مدل‌های زبانی بزرگ
• 50. کاربرد LLMs در تولید متن و پاسخ به سوالات
• 51. نظارت بر مدل‌های یادگیری ماشین (MLOps)
• 52. پایپ‌لاین‌های یادگیری ماشین
• 53. مدیریت داده در یادگیری ماشین
• 54. نسخه‌بندی مدل‌ها
• 55. استقرار مدل‌ها
• 56. مانیتورینگ مدل‌ها
• 57. تست مدل‌ها
• 58. امنیت در یادگیری ماشین
• 59. اخلاق در یادگیری ماشین
• 60. سوگیری در مدل‌های یادگیری ماشین
• 61. مسئولیت‌پذیری در هوش مصنوعی
• 62. حریم خصوصی داده‌ها در یادگیری ماشین
• 63. پردازش زبان طبیعی (NLP)
• 64. پیش‌پردازش متن
• 65. مدل‌سازی موضوعی (Topic Modeling)
• 66. تحلیل احساسات (Sentiment Analysis)
• 67. ترجمه ماشینی
• 68. خلاصه‌سازی متن
• 69. سیستم‌های توصیه‌گر
• 70. معماری سیستم‌های توصیه‌گر
• 71. توصیه‌گرهای مبتنی بر محتوا
• 72. توصیه‌گرهای مبتنی بر فیلترینگ مشارکتی
• 73. سیستم‌های توصیه‌گر ترکیبی
• 74. پردازش تصویر (Image Processing)
• 75. بازشناسی تصویر
• 76. تشخیص اشیاء
• 77. تقطیر تصویر (Image Segmentation)
• 78. تولید تصویر
• 79. بینایی ماشین (Computer Vision)
• 80. مبانی بینایی ماشین
• 81. کاربرد بینایی ماشین در صنعت
• 82. کاربرد بینایی ماشین در پزشکی
• 83. کاربرد بینایی ماشین در خودران‌ها
• 84. یادگیری انتقالی (Transfer Learning)
• 85. استفاده از مدل‌های از پیش آموزش دیده
• 86. تنظیم دقیق مدل‌ها برای وظایف جدید
• 87. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 88. یادگیری جمعی (Ensemble Learning)
• 89. ترکیب مدل‌ها
• 90. نکات پیشرفته در یادگیری ماشین
• 91. مدل‌های سری زمانی
• 92. یادگیری عمیق برای سری‌های زمانی
• 93. یادگیری ماشین در لبه (Edge AI)
• 94. کاربرد یادگیری ماشین در داده‌های حجیم (Big Data)
• 95. ابزارها و فریم‌ورک‌های یادگیری ماشین (TensorFlow, PyTorch)
• 96. پیاده‌سازی مدل‌های یادگیری ماشین در پایتون
• 97. مطالعات موردی در مهندسی یادگیری ماشین
• 98. آینده یادگیری ماشین و هوش مصنوعی
• 99. طراحی و توسعه مدل‌های یادگیری ماشین کارآمد
• 100. بهبود عملکرد مدل‌های یادگیری ماشین