کتاب مهندسی دانش: مبانی و تکنیک‌ها برای ساخت سیستم‌های آموزش خودکار با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی دانش: مبانی و تکنیک‌ها برای ساخت سیستم‌های آموزش خودکار

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: آماده‌سازی و مهندسی داده برای سیستم‌های هوشمند

📋 سرفصل‌های دوره

• 1. مبانی مهندسی دانش و سیستم‌های آموزش خودکار
• 2. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 3. نقش داده در سیستم‌های هوشمند
• 4. چرخه عمر داده و آماده‌سازی آن
• 5. آشنایی با کتاب "Podgotovka informat͡sii dli͡a avtomatizirovannykh obuchai͡ushchikh sistem"
• 6. اهمیت انتخاب و جمع‌آوری داده
• 7. انواع داده: ساخت‌یافته، نیمه‌ساخت‌یافته و بدون ساختار
• 8. منابع داده: پایگاه داده، فایل‌ها، APIها، وب
• 9. روش‌های جمع‌آوری داده از منابع مختلف
• 10. پاکسازی داده: شناسایی و حذف مقادیر پرت
• 11. پاکسازی داده: رسیدگی به مقادیر گمشده
• 12. پاکسازی داده: تصحیح خطاهای داده
• 13. تبدیل داده: نرمال‌سازی و استانداردسازی
• 14. تبدیل داده: مقیاس‌بندی ویژگی‌ها
• 15. تبدیل داده: رمزگذاری متغیرهای دسته‌ای
• 16. تبدیل داده: تبدیل تاریخ و زمان
• 17. تبدیل داده: استخراج ویژگی‌های جدید
• 18. مهندسی ویژگی: انتخاب ویژگی
• 19. مهندسی ویژگی: ایجاد ویژگی‌های جدید از ویژگی‌های موجود
• 20. مهندسی ویژگی: کاهش ابعاد داده
• 21. مدیریت داده: ذخیره‌سازی و بازیابی داده
• 22. مدیریت داده: قالب‌بندی و ساختاردهی داده
• 23. آشنایی با پایگاه داده‌های رابطه‌ای (SQL)
• 24. آشنایی با پایگاه داده‌های غیررابطه‌ای (NoSQL)
• 25. مفاهیم اولیه آمار و احتمالات
• 26. آمار توصیفی برای تحلیل داده
• 27. توزیع‌های آماری مهم
• 28. آزمون فرضیه و استنباط آماری
• 29. تجسم داده‌ها: نمودارها و گراف‌ها
• 30. تجسم داده‌ها: ابزارهای تجسم داده
• 31. تحلیل اکتشافی داده (EDA)
• 32. شناسایی الگوها و روابط در داده‌ها
• 33. اصول یادگیری نظارت‌شده
• 34. رگرسیون خطی: مفاهیم و پیاده‌سازی
• 35. رگرسیون لجستیک: مفاهیم و پیاده‌سازی
• 36. ماشین بردار پشتیبان (SVM)
• 37. درخت تصمیم و جنگل تصادفی
• 38. ارزیابی مدل‌های یادگیری نظارت‌شده
• 39. معیارهای ارزیابی رگرسیون
• 40. معیارهای ارزیابی طبقه‌بندی
• 41. اصول یادگیری غیرنظارت‌شده
• 42. خوشه‌بندی: K-Means
• 43. خوشه‌بندی: الگوریتم‌های دیگر
• 44. کاهش ابعاد: PCA و SVD
• 45. ارزیابی مدل‌های یادگیری غیرنظارت‌شده
• 46. مقدمه‌ای بر یادگیری تقویتی
• 47. مقدمه‌ای بر شبکه‌های عصبی
• 48. شبکه‌های عصبی پرسپترون چندلایه
• 49. انتشار رو به عقب (Backpropagation)
• 50. بهینه‌سازی شبکه‌های عصبی
• 51. شبکه‌های عصبی کانولوشن (CNN)
• 52. شبکه‌های عصبی بازگشتی (RNN)
• 53. یادگیری عمیق (Deep Learning)
• 54. انتخاب و بهینه‌سازی مدل
• 55. اعتبارسنجی متقابل (Cross-validation)
• 56. تنظیم ابرپارامترها
• 57. Overfitting و Underfitting
• 58. روش‌های Regularization
• 59. پردازش زبان طبیعی (NLP): مقدمه
• 60. پردازش زبان طبیعی: آماده‌سازی متن
• 61. پردازش زبان طبیعی: Tokenization
• 62. پردازش زبان طبیعی: Lemmatization و Stemming
• 63. پردازش زبان طبیعی: مدل‌های زبانی
• 64. سیستم‌های توصیه‌گر (Recommender Systems)
• 65. فیلتر کردن همکارانه
• 66. فیلتر کردن مبتنی بر محتوا
• 67. ارزیابی سیستم‌های توصیه‌گر
• 68. کاربردهای هوش مصنوعی در داده‌های بزرگ
• 69. آشنایی با Apache Spark
• 70. پردازش موازی و توزیع‌شده داده
• 71. انتشار دانش و مدیریت دانش
• 72. ساختارهای دانش: فریم‌ها و شبکه‌های معنایی
• 73. استدلال مبتنی بر دانش
• 74. سیستم‌های خبره
• 75. اصول سیستم‌های آموزش خودکار
• 76. فرایند طراحی سیستم‌های آموزش خودکار
• 77. ارزیابی و اعتبارسنجی سیستم‌های آموزش خودکار
• 78. بهبود و توسعه سیستم‌های آموزش خودکار
• 79. اتوماسیون فرآیندهای داده
• 80. مبانی امنیت داده و حریم خصوصی
• 81. اخلاقیات هوش مصنوعی
• 82. مقدمه‌ای بر ابزارهای متن‌باز یادگیری ماشین
• 83. استفاده از کتابخانه‌های Python: Scikit-learn
• 84. استفاده از کتابخانه‌های Python: TensorFlow
• 85. استفاده از کتابخانه‌های Python: PyTorch
• 86. فراگیری انتقالی
• 87. یادگیری فعال
• 88. یادگیری تقویتی عمیق
• 89. سیستم‌های هوشمند تعاملی
• 90. هوش مصنوعی توضیحی (XAI)
• 91. کاربرد هوش مصنوعی در صنعت
• 92. کاربرد هوش مصنوعی در مراقبت‌های بهداشتی
• 93. کاربرد هوش مصنوعی در امور مالی
• 94. کاربرد هوش مصنوعی در حمل و نقل
• 95. چالش‌های پیاده‌سازی سیستم‌های هوشمند
• 96. آینده هوش مصنوعی و یادگیری ماشین
• 97. نقش مهندسی دانش در آینده هوش مصنوعی
• 98. مطالعه موردی: پیاده‌سازی یک سیستم آموزش خودکار
• 99. گام‌های عملی برای شروع پروژه‌های هوش مصنوعی
• 100. منابع یادگیری و مطالعات بیشتر