کتاب مبانی بهینه‌سازی محدب برای یادگیری ماشین در مقیاس بزرگ با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی بهینه‌سازی محدب برای یادگیری ماشین در مقیاس بزرگ

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی مقیاس‌پذیر در یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بهینه‌سازی محدب در یادگیری ماشین
• 2. مفاهیم پایه بهینه‌سازی محدب
• 3. توابع محدب و خواص آن‌ها
• 4. ناحیه محدب و مجموعه محدب
• 5. گرادیان و هسین توابع محدب
• 6. مسائل بهینه‌سازی محدب
• 7. شرایط بهینگی برای مسائل محدب
• 8. متمایزکننده‌ها و زیرگرادیان‌ها
• 9. قضیه کاروش-کوهن-تکر
• 10. دوره‌های بهینه‌سازی محدب
• 11. روش گرادیان کاهشی
• 12. انتخاب گام در گرادیان کاهشی
• 13. همگرایی گرادیان کاهشی
• 14. گرادیان کاهشی تصادفی (SGD)
• 15. مزایا و معایب SGD
• 16. بهینه‌سازی با گام تطبیقی
• 17. روش‌های مرتبه دوم
• 18. روش نیوتن
• 19. همگرایی روش نیوتن
• 20. روش‌های شبه‌نیوتن
• 21. روش BFGS
• 22. روش L-BFGS
• 23. بهینه‌سازی مقید
• 24. روش ضرایب لاگرانژ
• 25. مسائل دوگانگی
• 26. شرایط KKT
• 27. بهینه‌سازی کوادریک (QP)
• 28. روش‌های نقطه داخلی
• 29. روش‌های مسیر مرکزی
• 30. بهینه‌سازی خطی (LP)
• 31. کاربرد LP در یادگیری ماشین
• 32. بهینه‌سازی نیمه‌معین (SDP)
• 33. کاربرد SDP در یادگیری ماشین
• 34. یادگیری ماشین مقیاس بزرگ
• 35. چالش‌های مقیاس بزرگ
• 36. روش‌های توزیع شده برای بهینه‌سازی
• 37. پردازش موازی در بهینه‌سازی
• 38. کاهش ابعاد و اسپارسنس
• 39. روش‌های تقریب در بهینه‌سازی
• 40. یادگیری عمیق و بهینه‌سازی
• 41. شبکه‌های عصبی عمیق
• 42. گرادیان کاهشی در شبکه‌های عصبی
• 43. مینی‌بچ گرادیان کاهشی
• 44. تنظیم نرخ یادگیری (Learning Rate Scheduling)
• 45. بهینه‌سازهای تطبیقی (Adam, RMSprop)
• 46. تنظیمات هایپرپارامترها
• 47. اعتبارسنجی متقابل (Cross-Validation)
• 48. تنظیم‌گری (Regularization)
• 49. L1 و L2 Regularization
• 50. Dropout در شبکه‌های عصبی
• 51. Batch Normalization
• 52. Early Stopping
• 53. تکنیک‌های افزایش داده (Data Augmentation)
• 54. مدل‌های پیش‌آموزش‌دیده (Pre-trained Models)
• 55. انتقال یادگیری (Transfer Learning)
• 56. یادگیری تقویتی (Reinforcement Learning)
• 57. مقدمه‌ای بر یادگیری تقویتی
• 58. عامل، محیط، حالت، عمل
• 59. تابع پاداش
• 60. سیاست (Policy)
• 61. تابع ارزش (Value Function)
• 62. معادله بلمن
• 63. روش‌های مونت کارلو
• 64. یادگیری تفاضل زمانی (TD Learning)
• 65. Q-Learning
• 66. Deep Q-Networks (DQN)
• 67. Policy Gradient Methods
• 68. Actor-Critic Methods
• 69. کاربرد بهینه‌سازی در پردازش زبان طبیعی
• 70. مدل‌های زبانی
• 71. کاربرد بهینه‌سازی در بینایی ماشین
• 72. شناسایی اشیاء
• 73. تقسیم‌بندی تصاویر
• 74. کاربرد بهینه‌سازی در سیستم‌های توصیه‌گر
• 75. فیلترینگ مشارکتی
• 76. محتوا-محور
• 77. مدل‌های ترکیبی
• 78. بهینه‌سازی برای سیستم‌های توصیه‌گر
• 79. معیارهای ارزیابی سیستم‌های توصیه‌گر
• 80. اخلاق در هوش مصنوعی
• 81. سوگیری در داده‌ها و مدل‌ها
• 82. شفافیت و قابلیت تفسیر مدل‌ها
• 83. مسئولیت‌پذیری در هوش مصنوعی
• 84. امنیت و حریم خصوصی در یادگیری ماشین
• 85. کاربرد بهینه‌سازی در تحلیل داده‌های بزرگ
• 86. تشخیص ناهنجاری
• 87. خوشه‌بندی داده‌ها
• 88. کاربرد بهینه‌سازی در یادگیری ماشین غیرنظارتی
• 89. یادگیری عمیق غیرنظارتی
• 90. تولید محتوا با هوش مصنوعی
• 91. ملاحظات فنی در پیاده‌سازی مدل‌های مقیاس بزرگ
• 92. استفاده از GPU و TPU
• 93. فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 94. کاربرد بهینه‌سازی در مدل‌های گراف (Graph Neural Networks)
• 95. تحلیل شبکه‌های اجتماعی
• 96. پیش‌بینی خواص مولکولی
• 97. مقدمه‌ای بر یادگیری ماشین در حوزه سلامت
• 98. تشخیص بیماری‌ها
• 99. کشف دارو
• 100. ملاحظات قانونی و شرعی در داده‌های پزشکی