کتاب هوش مصنوعی قدرتمند: یادگیری عمیق با ریاضیات و داده‌کاوی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی قدرتمند: یادگیری عمیق با ریاضیات و داده‌کاوی

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: مبانی ریاضی و آماری یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی و پیش‌نیازها
• 2. مقدمه‌ای بر علوم داده و هوش مصنوعی
• 3. اهمیت ریاضیات و آمار در یادگیری ماشین
• 4. مروری بر مفاهیم پایه ریاضی: جبر، حسابان، هندسه
• 5. آشنایی با کتابخانه‌های پایتون برای علوم داده (NumPy, Pandas)
• 6. آشنایی با ابزارهای تجسم داده‌ها (Matplotlib, Seaborn)
• 7. مقدمه‌ای بر آمار توصیفی
• 8. جمع‌آوری و پاکسازی داده‌ها
• 9. آمار استنباطی: مفاهیم و کاربردها
• 10. احتمال: نظریه و کاربردها در یادگیری ماشین
• 11. متغیرهای تصادفی و توزیع‌های احتمال
• 12. توزیع‌های مهم احتمال (نرمال، دوجمله‌ای، پواسون)
• 13. همبستگی و وابستگی
• 14. آزمون‌های فرضیه و استنتاج آماری
• 15. بیزی و یادگیری ماشین
• 16. مفاهیم اولیه یادگیری ماشین: یادگیری با نظارت، بدون نظارت، تقویتی
• 17. انواع داده و مقیاس‌های اندازه‌گیری
• 18. شاخص‌های ارزیابی مدل‌ها (دقت، خطای میانگین مربعات و ...)
• 19. اصول انتخاب مدل و اعتبارسنجی متقابل
• 20. جبر خطی برای یادگیری ماشین
• 21. مقدمه‌ای بر جبر خطی: مفاهیم و کاربردها
• 22. بردارها و ماتریس‌ها: عملیات و خواص
• 23. ضرب ماتریس و کاربردهای آن
• 24. فضاهای برداری و زیرفضاها
• 25. وابستگی خطی و استقلال خطی
• 26. معادلات خطی و دستگاه معادلات
• 27. مقادیر ویژه و بردارهای ویژه
• 28. تجزیه مقادیر منفرد (SVD)
• 29. کاربرد SVD در کاهش ابعاد داده‌ها
• 30. نرم‌ها و فاصله‌ها در فضای برداری
• 31. کاربرد جبر خطی در یادگیری ماشین: تحلیل مولفه‌های اصلی (PCA)
• 32. کاربرد جبر خطی در رگرسیون خطی
• 33. حسابان برای یادگیری ماشین
• 34. مقدمه‌ای بر حسابان: مشتق و انتگرال
• 35. مشتق‌گیری: قواعد و کاربردها
• 36. بهینه‌سازی: مفاهیم و الگوریتم‌ها
• 37. گرادیان و مشتقات جزئی
• 38. قاعده زنجیره‌ای و کاربردهای آن در یادگیری عمیق
• 39. بهینه‌سازی گرادیان کاهشی
• 40. بهینه‌سازی گرادیان کاهشی تصادفی
• 41. روش‌های بهینه‌سازی پیشرفته (Adam, RMSprop)
• 42. کاربرد حسابان در رگرسیون لجستیک
• 43. کاربرد حسابان در شبکه‌های عصبی
• 44. آمار و یادگیری ماشین
• 45. تخمین نقطه‌ای و بازه‌ای
• 46. فاصله اطمینان
• 47. تست فرضیه
• 48. رگرسیون خطی: مدل و مفروضات
• 49. ارزیابی مدل‌های رگرسیون خطی
• 50. رگرسیون لجستیک: مدل و کاربردها
• 51. طبقه‌بندی با رگرسیون لجستیک
• 52. تجزیه واریانس (ANOVA)
• 53. تحلیل سری‌های زمانی
• 54. آمار بیزی: مقدمه و کاربردها
• 55. توزیع پیشین، پسین و احتمال حاشیه‌ای
• 56. مدل‌سازی بیزی
• 57. یادگیری تقویتی: مفاهیم و الگوریتم‌ها
• 58. مفاهیم پایه‌ای پردازش زبان طبیعی
• 59. الگوریتم‌های یادگیری ماشین
• 60. درخت تصمیم‌گیری: ساختار و الگوریتم
• 61. جنگل تصادفی: اصول و پیاده‌سازی
• 62. دسته‌بند بیز ساده
• 63. ماشین بردار پشتیبان (SVM): مفاهیم و کاربردها
• 64. خوشه‌بندی k-means
• 65. خوشه‌بندی سلسله‌مراتبی
• 66. ارزیابی مدل‌های خوشه‌بندی
• 67. کاهش ابعاد: PCA و t-SNE
• 68. مقدمه‌ای بر شبکه‌های عصبی
• 69. لایه های شبکه عصبی و توابع فعال‌سازی
• 70. شبکه‌های عصبی چندلایه
• 71. انتشار رو به جلو و انتشار رو به عقب
• 72. بهینه‌سازی شبکه‌های عصبی
• 73. شبکه‌های عصبی کانولوشنی (CNN)
• 74. شبکه‌های عصبی بازگشتی (RNN)
• 75. شبکه‌های عصبی برای پردازش زبان طبیعی
• 76. یادگیری انتقال
• 77. مدل‌سازی زبان
• 78. یادگیری عمیق و کاربردها
• 79. مقدمه‌ای بر یادگیری عمیق
• 80. معماری‌های پیشرفته شبکه‌های عصبی
• 81. تنظیم ابرپارامترها و بهینه‌سازی مدل‌ها
• 82. شبکه‌های عصبی مولد (GANs)
• 83. کاربردهای یادگیری عمیق در بینایی کامپیوتر
• 84. کاربردهای یادگیری عمیق در پردازش زبان طبیعی
• 85. یادگیری تقویتی عمیق
• 86. سیستم‌های توصیه‌گر بر اساس یادگیری عمیق
• 87. معماری‌های ترانسفورمر
• 88. مدل‌های زبانی بزرگ
• 89. آشنایی با فریمورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 90. پیاده‌سازی پروژه‌های یادگیری عمیق
• 91. جمع‌آوری و آماده‌سازی داده‌ها برای یادگیری عمیق
• 92. ارزیابی و اعتبارسنجی مدل‌های یادگیری عمیق
• 93. مشکلات و چالش‌های یادگیری عمیق
• 94. رابطه بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق
• 95. آینده یادگیری عمیق و هوش مصنوعی
• 96. اخلاق در هوش مصنوعی
• 97. مروری بر مفاهیم امنیت در یادگیری ماشین