دوره کاربرد یادگیری نظارت شده در تحلیل داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد یادگیری نظارت شده در تحلیل داده

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری نظارت شده (Supervised Learning)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری نظارت شده
• 2. انواع داده ها در یادگیری نظارت شده
• 3. پیش پردازش داده ها برای تحلیل
• 4. پاکسازی داده های پرت
• 5. نرمال سازی و مقیاس بندی داده ها
• 6. مهندسی ویژگی
• 7. انتخاب ویژگی
• 8. رگرسیون خطی ساده
• 9. ارزیابی مدل رگرسیون خطی
• 10. رگرسیون خطی چندگانه
• 11. مدل های رگرسیون غیرخطی
• 12. رگرسیون چندجمله ای
• 13. تنظیم هایپرپارامترها در رگرسیون
• 14. مقدمه ای بر طبقه بندی
• 15. رگرسیون لجستیک
• 16. ارزیابی مدل های طبقه بندی
• 17. متریک های ارزیابی طبقه بندی (دقت، صحت، بازیابی)
• 18. منحنی ROC و AUC
• 19. درخت تصمیم برای طبقه بندی
• 20. مرزهای تصمیم در درخت تصمیم
• 21. قانون گذاری درخت تصمیم (pruning)
• 22. ماشین بردار پشتیبان (SVM)
• 23. هسته ها در SVM
• 24. شبکه عصبی پرسپترون چندلایه (MLP)
• 25. توابع فعال سازی در شبکه عصبی
• 26. پس انتشار خطا (Backpropagation)
• 27. تنظیم هایپرپارامترها در شبکه عصبی
• 28. یادگیری جمعی (Ensemble Learning)
• 29. روش Bagging
• 30. جنگل تصادفی (Random Forest)
• 31. روش Boosting
• 32. مدل AdaBoost
• 33. مدل Gradient Boosting
• 34. مدل XGBoost
• 35. مدل LightGBM
• 36. مدل CatBoost
• 37. معرفی طبقه بندی بیز
• 38. قضیه بیز
• 39. طبقه بندی بیز ساده (Naive Bayes)
• 40. انواع Naive Bayes (گوسی، چندجمله ای، برنولی)
• 41. امتیازدهی و مدل سازی در Naive Bayes
• 42. یادگیری نظارت شده برای تشخیص ناهنجاری
• 43. مدل های تشخیص ناهنجاری مبتنی بر تراکم
• 44. مدل های تشخیص ناهنجاری مبتنی بر فاصله
• 45. مدل های تشخیص ناهنجاری مبتنی بر درخت
• 46. مدل های تشخیص ناهنجاری مبتنی بر شبکه عصبی
• 47. مقدمه ای بر تحلیل سری های زمانی
• 48. پیش پردازش سری های زمانی
• 49. مدل های رگرسیون برای سری های زمانی
• 50. مدل ARIMA
• 51. مدل SARIMA
• 52. مدل های مبتنی بر شبکه عصبی برای سری های زمانی (LSTM, GRU)
• 53. کاربرد یادگیری نظارت شده در پردازش زبان طبیعی (NLP)
• 54. مدل های Bag-of-Words
• 55. مدل های TF-IDF
• 56. مدل های Embedding (Word2Vec, GloVe)
• 57. مدل های Recurrent Neural Network (RNN) برای NLP
• 58. مدل های Transformer برای NLP
• 59. کاربرد یادگیری نظارت شده در بینایی ماشین
• 60. پردازش تصویر مقدماتی
• 61. استخراج ویژگی در بینایی ماشین
• 62. شبکه های عصبی کانولوشنال (CNN)
• 63. معماری های معروف CNN (AlexNet, VGG, ResNet)
• 64. تشخیص اشیاء (Object Detection)
• 65. قطعه بندی تصویر (Image Segmentation)
• 66. کاربرد یادگیری نظارت شده در سیستم های توصیه گر
• 67. فیلترینگ مبتنی بر محتوا
• 68. فیلترینگ مشارکتی
• 69. مدل های ترکیبی برای سیستم های توصیه گر
• 70. ارزیابی سیستم های توصیه گر
• 71. مقدمه ای بر یادگیری نیمه نظارت شده
• 72. روش های یادگیری نیمه نظارت شده
• 73. کاربرد یادگیری نیمه نظارت شده
• 74. مقدمه ای بر یادگیری تقویتی (به عنوان زمینه)
• 75. ملاحظات اخلاقی در تحلیل داده
• 76. حفظ حریم خصوصی داده ها
• 77. سوگیری در مدل های یادگیری ماشین
• 78. قابلیت تفسیر مدل ها (Explainable AI)
• 79. روش های مقایسه مدل ها
• 80. بهینه سازی فرآیند یادگیری نظارت شده
• 81. مدیریت پروژه های یادگیری ماشین
• 82. استقرار مدل های یادگیری ماشین
• 83. نظارت بر عملکرد مدل در محیط عملیاتی
• 84. یادگیری نظارت شده در حوزه سلامت (مثال: تشخیص بیماری)
• 85. یادگیری نظارت شده در حوزه مالی (مثال: پیش بینی قیمت سهام)
• 86. یادگیری نظارت شده در حوزه بازاریابی (مثال: بخش بندی مشتریان)
• 87. یادگیری نظارت شده در حوزه تولید (مثال: پیش بینی خرابی تجهیزات)
• 88. آینده یادگیری نظارت شده
• 89. روش های پیشرفته انتخاب ویژگی
• 90. روش های پیشرفته تنظیم هایپرپارامتر
• 91. مدل های یادگیری نظارت شده برای داده های نامتوازن
• 92. بررسی عمیق تر مدل های Ensemble
• 93. مدل های یادگیری نظارت شده برای داده های گراف
• 94. ملاحظات امنیتی در مدل های یادگیری ماشین
• 95. یادگیری نظارت شده و هوش مصنوعی مولد (به صورت کلی)
• 96. جمع بندی و مسیرهای یادگیری بیشتر