دوره جنبه‌های نظری یادگیری از داده‌های محدود همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جنبه‌های نظری یادگیری از داده‌های محدود

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: جنبه‌های نظری MARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و داده‌های محدود
• 2. اصول یادگیری نظارت شده
• 3. مفاهیم اساسی یادگیری بدون نظارت
• 4. مقدمه‌ای بر یادگیری تقویتی
• 5. ارزیابی مدل‌های یادگیری ماشین
• 6. تنظیم پارامترها و اعتبارسنجی متقابل
• 7. پیش‌پردازش داده‌ها و مهندسی ویژگی
• 8. مدل‌های خطی برای رگرسیون
• 9. مدل‌های خطی برای طبقه‌بندی
• 10. ماشین‌های بردار پشتیبان (SVM)
• 11. درختان تصمیم
• 12. جنگل‌های تصادفی
• 13. تقویت گرادیان (Gradient Boosting)
• 14. مدل‌های مبتنی بر نزدیک‌ترین همسایگان
• 15. خوشه‌بندی K-Means
• 16. خوشه‌بندی سلسله مراتبی
• 17. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 18. کاهش ابعاد: t-SNE
• 19. مدل‌های احتمالی: بیز ساده
• 20. مدل‌های احتمالی: بیز شبکه‌ای
• 21. مقدمه‌ای بر شبکه‌های عصبی
• 22. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 23. توابع فعال‌سازی در شبکه‌های عصبی
• 24. بهینه‌سازی شبکه‌های عصبی: گرادیان نزولی
• 25. بهینه‌سازی شبکه‌های عصبی: بهینه‌سازهای پیشرفته
• 26. تنظیم‌گری (Regularization) در شبکه‌های عصبی
• 27. شبکه‌های عصبی کانولوشنی (CNN)
• 28. شبکه‌های عصبی بازگشتی (RNN)
• 29. حافظه طولانی کوتاه مدت (LSTM)
• 30. واحد بازگشتی دروازه‌ای (GRU)
• 31. شبکه‌های مولد تخاصمی (GAN)
• 32. خودرمزگذارها (Autoencoders)
• 33. یادگیری انتقالی (Transfer Learning)
• 34. تنظیم دقیق مدل‌های پیش‌آموزش‌دیده
• 35. یادگیری با داده‌های کم (Few-Shot Learning)
• 36. یادگیری صفر-شات (Zero-Shot Learning)
• 37. یادگیری نیمه‌نظارت شده (Semi-Supervised Learning)
• 38. یادگیری ترکیبی (Hybrid Learning)
• 39. مدل‌های مبتنی بر قوانین (Rule-Based Models)
• 40. یادگیری مبتنی بر مثال (Instance-Based Learning)
• 41. یادگیری مبتنی بر گراف (Graph-Based Learning)
• 42. یادگیری از داده‌های جریان (Stream Data Learning)
• 43. یادگیری فعال (Active Learning)
• 44. یادگیری تطبیقی (Adaptive Learning)
• 45. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 46. کاربردها در پردازش زبان طبیعی (NLP)
• 47. کاربردها در بینایی ماشین (Computer Vision)
• 48. کاربردها در سیستم‌های توصیه‌گر
• 49. کاربردها در تشخیص ناهنجاری
• 50. کاربردها در تحلیل سری‌های زمانی
• 51. کاربردها در رباتیک
• 52. کاربردها در مراقبت‌های بهداشتی
• 53. کاربردها در علوم مالی
• 54. کاربردها در آموزش و پرورش
• 55. کاربردها در تحقیقات علمی
• 56. اخلاق در هوش مصنوعی و یادگیری ماشین
• 57. حریم خصوصی داده‌ها و امنیت مدل
• 58. قابلیت تفسیر مدل‌های یادگیری ماشین
• 59. سوگیری در داده‌ها و الگوریتم‌ها
• 60. روش‌های مقابله با سوگیری
• 61. مدل‌سازی عدم قطعیت
• 62. یادگیری از داده‌های نامتوازن
• 63. مدیریت داده‌های گمشده
• 64. استانداردسازی و نرمال‌سازی داده‌ها
• 65. انتخاب ویژگی (Feature Selection)
• 66. استخراج ویژگی (Feature Extraction)
• 67. تکنیک‌های افزایش داده (Data Augmentation)
• 68. مدل‌های مدل‌سازی آماری
• 69. مفاهیم احتمال و آمار در یادگیری ماشین
• 70. توزیع‌های آماری رایج
• 71. آزمون فرض آماری
• 72. تحلیل رگرسیون چندگانه
• 73. تحلیل واریانس (ANOVA)
• 74. آزمون کای دو (Chi-Squared Test)
• 75. مقدمه‌ای بر یادگیری عمیق در آمار
• 76. مدل‌های خطی تعمیم‌یافته (GLMs)
• 77. مدل‌های سری زمانی: ARIMA
• 78. مدل‌های سری زمانی: LSTM برای پیش‌بینی
• 79. شبیه‌سازی مونت کارلو
• 80. روش‌های نمونه‌برداری (Sampling Methods)
• 81. طراحی آزمایش‌ها (Design of Experiments)
• 82. تحلیل بقا (Survival Analysis)
• 83. مقدمه‌ای بر آمار بیزی
• 84. استنتاج بیزی
• 85. کاربرد آمار بیزی در یادگیری ماشین
• 86. مقدمه‌ای بر بهینه‌سازی محدب
• 87. الگوریتم‌های بهینه‌سازی
• 88. بهینه‌سازی در یادگیری ماشین
• 89. یادگیری از داده‌های بزرگ (Big Data Learning)
• 90. معماری‌های محاسباتی برای یادگیری ماشین
• 91. استقرار مدل‌های یادگیری ماشین
• 92. نظارت بر عملکرد مدل در عمل
• 93. بازآموزی و به‌روزرسانی مدل‌ها
• 94. یادگیری مستمر (Continual Learning)
• 95. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 96. یادگیری federated (Federated Learning)
• 97. مباحث پیشرفته در یادگیری ماشین
• 98. چالش‌های عملی در پیاده‌سازی
• 99. آینده یادگیری ماشین و داده‌های محدود
• 100. مقدمه‌ای بر یادگیری توضیحی (Explainable AI)