دوره یادگیری ماشین و هوش مصنوعی: از صفر تا قهرمانی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین و هوش مصنوعی: از صفر تا قهرمانی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین عملی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و هوش مصنوعی
• 2. تعریف یادگیری ماشین و انواع آن
• 3. تفاوت یادگیری ماشین با برنامه‌نویسی سنتی
• 4. کاربردهای یادگیری ماشین در دنیای واقعی
• 5. مراحل یک پروژه یادگیری ماشین
• 6. آماده‌سازی داده‌ها: جمع‌آوری، پاکسازی و پیش‌پردازش
• 7. بررسی داده‌ها: تحلیل اکتشافی داده‌ها (EDA)
• 8. انتخاب ویژگی‌های مهم
• 9. مهندسی ویژگی: ایجاد ویژگی‌های جدید
• 10. مدل‌های یادگیری ماشین نظارت‌شده
• 11. رگرسیون خطی ساده و چندگانه
• 12. ارزیابی مدل‌های رگرسیون
• 13. رگرسیون لجستیک
• 14. درخت‌های تصمیم
• 15. جنگل تصادفی (Random Forest)
• 16. ماشین‌های بردار پشتیبان (SVM)
• 17. ارزیابی مدل‌های طبقه‌بندی
• 18. متریک‌های ارزیابی: دقت، صحت، Recall، F1-score
• 19. اعتبارسنجی متقابل (Cross-Validation)
• 20. مدل‌های یادگیری ماشین بدون نظارت
• 21. خوشه‌بندی K-Means
• 22. خوشه‌بندی سلسله مراتبی
• 23. تحلیل مولفه‌های اصلی (PCA)
• 24. کاهش ابعاد و اهمیت آن
• 25. یادگیری تقویتی (Reinforcement Learning)
• 26. مقدمه‌ای بر یادگیری تقویتی
• 27. مفاهیم کلیدی: عامل، محیط، پاداش، سیاست
• 28. شبکه‌های عصبی مصنوعی (ANN)
• 29. مقدمه‌ای بر شبکه‌های عصبی
• 30. پرceptron و Multilayer Perceptron
• 31. تابع فعال‌سازی و اهمیت آن
• 32. روش‌های آموزش شبکه‌های عصبی
• 33. بهینه‌سازها: Gradient Descent, Adam, RMSprop
• 34. شبکه‌های عصبی کانولوشنال (CNN)
• 35. مقدمه‌ای بر CNN و کاربردهای آن در پردازش تصویر
• 36. لایه‌های کانولوشنال، Pooling و Fully Connected
• 37. شبکه‌های عصبی بازگشتی (RNN)
• 38. مقدمه‌ای بر RNN و کاربردهای آن در پردازش زبان طبیعی
• 39. حافظه کوتاه‌مدت بلند (LSTM) و Gated Recurrent Unit (GRU)
• 40. پردازش زبان طبیعی (NLP)
• 41. مقدمه‌ای بر NLP و کاربردهای آن
• 42. مدل‌های زبانی
• 43. Word Embedding: Word2Vec, GloVe
• 44. یادگیری انتقالی (Transfer Learning)
• 45. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 46. انتخاب مدل و تنظیم هایپرپارامترها
• 47. Grid Search و Random Search
• 48. جلوگیری از بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 49. Regularization: L1, L2
• 50. Deployment مدل‌های یادگیری ماشین
• 51. استفاده از Flask یا Django برای ایجاد API
• 52. мониторинг و نگهداری مدل‌ها
• 53. مفاهیم MLOps