دوره استراتژی‌های موفقیت در یادگیری نظارت شده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استراتژی‌های موفقیت در یادگیری نظارت شده

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری نظارت شده (Supervised Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری نظارت شده
• 2. انواع داده‌ها در یادگیری نظارت شده
• 3. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 4. مهندسی ویژگی: ایجاد و انتخاب ویژگی‌های موثر
• 5. ارزیابی مدل‌های یادگیری نظارت شده: معیارهای اساسی
• 6. تقسیم داده‌ها: آموزش، اعتبارسنجی و آزمون
• 7. رگرسیون خطی ساده
• 8. رگرسیون خطی چندگانه
• 9. رگرسیون چندجمله‌ای
• 10. ارزیابی مدل‌های رگرسیون
• 11. تنظیم ابرپارامترها در رگرسیون
• 12. تحلیل و تفسیر مدل‌های رگرسیون
• 13. مقدمه‌ای بر طبقه‌بندی
• 14. رگرسیون لجستیک
• 15. طبقه‌بند بیز ساده
• 16. کشف و پیشگیری از داده‌های پرت
• 17. مدل‌سازی سری‌های زمانی مالی
• 18. تحلیل رگرسیون در داده‌های مالی
• 19. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 20. نورون پرسپترون تک لایه
• 21. نورون پرسپترون چند لایه
• 22. توابع فعال‌سازی در شبکه‌های عصبی
• 23. پس‌انتشار خطا (Backpropagation)
• 24. بهینه‌سازی وزن‌ها در شبکه‌های عصبی
• 25. شبکه‌های عصبی کانولوشنال (CNN)
• 26. کاربرد CNN در پردازش تصویر
• 27. شبکه‌های عصبی بازگشتی (RNN)
• 28. کاربرد RNN در پردازش زبان طبیعی
• 29. شبکه‌های عصبی ترنسفورمر
• 30. مقدمه‌ای بر یادگیری عمیق
• 31. یادگیری عمیق برای طبقه‌بندی تصاویر
• 32. یادگیری عمیق برای تحلیل متن
• 33. یادگیری عمیق برای پیش‌بینی سری‌های زمانی
• 34. شبکه‌های عصبی مولد (GAN)
• 35. کاربرد GAN در تولید داده
• 36. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 37. هسته‌های SVM و کاربرد آنها
• 38. تنظیم ابرپارامترها در SVM
• 39. کاربرد SVM در طبقه‌بندی دودویی
• 40. کاربرد SVM در طبقه‌بندی چندکلاسه
• 41. مقدمه‌ای بر درخت تصمیم
• 42. ساخت درخت تصمیم: الگوریتم ID3
• 43. ساخت درخت تصمیم: الگوریتم C4.5
• 44. قوانین استخراج شده از درخت تصمیم
• 45. کاربرد درخت تصمیم در تصمیم‌گیری‌های تجاری
• 46. مقدمه‌ای بر جنگل تصادفی (Random Forest)
• 47. پیاده‌سازی جنگل تصادفی
• 48. ارزیابی و تفسیر جنگل تصادفی
• 49. کاربرد جنگل تصادفی در پیش‌بینی
• 50. مقدمه‌ای بر تقویت گرادیان (Gradient Boosting)
• 51. الگوریتم XGBoost
• 52. الگوریتم LightGBM
• 53. مقایسه روش‌های Boosting
• 54. کاربرد Boosting در مسائل پیچیده
• 55. مقدمه‌ای بر خوشه‌بندی (یادگیری بدون نظارت)
• 56. الگوریتم K-Means
• 57. ارزیابی خوشه‌ها
• 58. خوشه‌بندی سلسله مراتبی
• 59. کاربرد خوشه‌بندی در بخش‌بندی بازار
• 60. مقدمه‌ای بر کاهش ابعاد
• 61. تحلیل مؤلفه‌های اصلی (PCA)
• 62. تحلیل تمایز خطی (LDA)
• 63. کاربرد کاهش ابعاد در بصری‌سازی داده‌ها
• 64. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 65. پردازش پیشین متن: توکنایز کردن
• 66. حذف کلمات توقف (Stop Words)
• 67. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 68. مدل‌سازی موضوعی: Latent Dirichlet Allocation (LDA)
• 69. بردار کلمات: Word2Vec
• 70. بردار کلمات: GloVe
• 71. کاربرد NLP در تحلیل احساسات
• 72. کاربرد NLP در خلاصه‌سازی متن
• 73. کاربرد NLP در ترجمه ماشینی
• 74. مقدمه‌ای بر بینایی ماشین
• 75. استخراج ویژگی از تصاویر: SIFT, SURF
• 76. تشخیص اشیاء در تصاویر
• 77. تطبیق الگو در تصاویر
• 78. کاربرد بینایی ماشین در نظارت تصویری
• 79. مقدمه‌ای بر یادگیری تقویتی
• 80. مفهوم عامل و محیط
• 81. پاداش و سیاست
• 82. الگوریتم Q-Learning
• 83. الگوریتم Deep Q-Network (DQN)
• 84. کاربرد یادگیری تقویتی در رباتیک
• 85. کاربرد یادگیری تقویتی در بازی‌ها
• 86. مقدمه‌ای بر یادگیری نیمه‌نظارت شده
• 87. روش‌های یادگیری نیمه‌نظارت شده
• 88. کاربرد یادگیری نیمه‌نظارت شده در مواردی با داده‌های برچسب‌دار کم
• 89. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 90. استفاده از مدل‌های از پیش آموزش دیده
• 91. تنظیم دقیق (Fine-tuning) مدل‌ها
• 92. کاربرد یادگیری انتقالی در طبقه‌بندی تصاویر
• 93. کاربرد یادگیری انتقالی در NLP
• 94. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 95. مسائل مربوط به سوگیری در داده‌ها
• 96. حفظ حریم خصوصی در الگوریتم‌ها
• 97. مسئولیت‌پذیری در تصمیم‌گیری‌های هوش مصنوعی
• 98. کاربرد اصول اخلاقی در توسعه مدل‌های یادگیری نظارت شده
• 99. مقدمه‌ای بر استقرار مدل (Deployment)
• 100. روش‌های استقرار مدل‌های یادگیری ماشین