دوره یادگیری ماشین قابل توضیح (PAC Learning) در نظریه یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین قابل توضیح (PAC Learning) در نظریه یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی نظری یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی نظری یادگیری ماشین
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری با ناظر
• 5. یادگیری بدون ناظر
• 6. یادگیری تقویتی
• 7. مفهوم نظریه یادگیری آماری
• 8. مفاهیم اساسی یادگیری آماری
• 9. نمونه‌برداری و توزیع داده
• 10. تابع خطای واقعی
• 11. تابع خطای تجربی
• 12. حد پایین خطای واقعی
• 13. مدل‌های آماری
• 14. پیچیدگی مدل
• 15. بیش‌برازش (Overfitting)
• 16. کم‌برازش (Underfitting)
• 17. مفهوم PAC Learning
• 18. یادگیری قابل اعتماد تقریب‌زننده
• 19. حدود PAC
• 20. مفهوم کلاس‌های قابل یادگیری
• 21. کلاس‌های Vapnik-Chervonenkis (VC)
• 22. ابعاد VC
• 23. قضیه اصلی یادگیری PAC
• 24. ارتباط بین ابعاد VC و PAC Learning
• 25. تعمیم‌پذیری مدل
• 26. تخمین خطای تعمیم
• 27. بایاس و واریانس
• 28. تعادل بایاس و واریانس
• 29. روش‌های کاهش بایاس
• 30. روش‌های کاهش واریانس
• 31. اعتبارسنجی متقابل (Cross-validation)
• 32. اعتبارسنجی K-fold
• 33. اعتبارسنجی متقابل پیش‌بینانه
• 34. تکنیک‌های تنظیم (Regularization)
• 35. تنظیم L1 (Lasso)
• 36. تنظیم L2 (Ridge)
• 37. انتخاب مدل
• 38. انتخاب ویژگی (Feature Selection)
• 39. مهندسی ویژگی (Feature Engineering)
• 40. مبانی الگوریتم‌های یادگیری ماشین
• 41. رگرسیون خطی
• 42. رگرسیون لجستیک
• 43. ماشین‌های بردار پشتیبان (SVM)
• 44. هسته‌های SVM
• 45. درختان تصمیم
• 46. جنگل‌های تصادفی (Random Forests)
• 47. تقویت گرادیان (Gradient Boosting)
• 48. شبکه‌های عصبی مصنوعی
• 49. شبکه‌های عصبی پرسپترون چندلایه
• 50. توابع فعال‌سازی
• 51. پس‌انتشار خطا (Backpropagation)
• 52. یادگیری عمیق
• 53. شبکه‌های عصبی کانولوشنی (CNN)
• 54. شبکه‌های عصبی بازگشتی (RNN)
• 55. حافظه طولانی کوتاه‌مدت (LSTM)
• 56. مفهوم فضای ویژگی
• 57. تبدیلات فضای ویژگی
• 58. یادگیری غیرخطی
• 59. یادگیری خوشه‌ای (Clustering)
• 60. الگوریتم K-Means
• 61. خوشه‌بندی سلسله‌مراتبی
• 62. الگوریتم DBSCAN
• 63. مفاهیم پیشرفته PAC Learning
• 64. حدود PAC برای کلاس‌های VC
• 65. حدود PAC برای کلاس‌های غیر VC
• 66. تئوری یادگیری آماری بیزی
• 67. حدود PAC در یادگیری بیزی
• 68. یادگیری آفلاین در مقابل آنلاین
• 69. یادگیری فعال (Active Learning)
• 70. یادگیری نیمه‌نظارتی (Semi-Supervised Learning)
• 71. یادگیری چند وظیفه‌ای (Multi-Task Learning)
• 72. یادگیری انتقالی (Transfer Learning)
• 73. مفاهیم نظریه اطلاعات
• 74. آنتروپی
• 75. اطلاعات متقابل
• 76. کاربرد نظریه اطلاعات در یادگیری ماشین
• 77. الگوریتم‌های انتخاب ویژگی مبتنی بر اطلاعات
• 78. مفاهیم بهینه‌سازی
• 79. گرادیان کاهشی (Gradient Descent)
• 80. بهینه‌سازهای پیشرفته
• 81. مفاهیم احتمالاتی در یادگیری ماشین
• 82. قضیه بیز
• 83. مدل‌های احتمالی گرافیکی
• 84. شبکه‌های بیزی
• 85. میدان‌های تصادفی مارکوف
• 86. کاربرد مدل‌های احتمالی در یادگیری ماشین
• 87. یادگیری ماشینی اخلاقی و مسئولانه
• 88. توضیح‌پذیری مدل‌های یادگیری ماشین
• 89. مفسرپذیری (Interpretability)
• 90. توضیح‌پذیری (Explainability)
• 91. روش‌های توضیح‌پذیری مدل‌های جعبه سیاه
• 92. LIME
• 93. SHAP
• 94. ارزیابی مدل‌های یادگیری ماشین
• 95. معیارهای ارزیابی کلاسیک
• 96. دقت (Accuracy)
• 97. صحت (Precision)
• 98. بازیابی (Recall)
• 99. امتیاز F1
• 100. منحنی ROC