کتاب اصول جبر خطی برای تحلیل و پیش‌بینی در هوش مصنوعی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول جبر خطی برای تحلیل و پیش‌بینی در هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مبانی جبر خطی در هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی و مفاهیم پایه در جبر خطی
• 2. بردارها: تعریف، خواص و نمایش
• 3. عملگرهای برداری: جمع، تفریق و ضرب اسکالر
• 4. ضرب داخلی بردارها و کاربردهای آن
• 5. ضرب خارجی بردارها و تفسیر هندسی آن
• 6. فضاهای برداری: تعریف و ویژگی‌ها
• 7. زیرفضاهای برداری و استقلال خطی
• 8. پایه و ابعاد در فضاهای برداری
• 9. تبدیلات خطی: تعریف و خواص
• 10. ماتریس‌ها: نمایش و انواع
• 11. عملیات ماتریسی: جمع، تفریق و ضرب
• 12. ترانهاده ماتریس و کاربردهای آن
• 13. دترمینان ماتریس و خواص آن
• 14. وارون ماتریس و روش‌های محاسبه
• 15. دستگاه معادلات خطی
• 16. حل دستگاه معادلات خطی با روش حذفی گاوس
• 17. حل دستگاه معادلات خطی با روش کرامر
• 18. مقادیر ویژه و بردارهای ویژه
• 19. کاربرد مقادیر ویژه در تحلیل سیستم‌های دینامیکی
• 20. قطری‌سازی ماتریس‌ها
• 21. تجزیه مقادیر منفرد (SVD)
• 22. کاربرد SVD در کاهش ابعاد و فشرده‌سازی داده
• 23. فضای ستونی و فضای پوچ ماتریس
• 24. رتبه ماتریس و ارتباط آن با دستگاه معادلات خطی
• 25. کاربرد جبر خطی در گرافیک کامپیوتری
• 26. مقدمه‌ای بر جبر خطی عددی
• 27. خطایابی در محاسبات جبر خطی
• 28. روش‌های تکراری برای حل دستگاه معادلات خطی
• 29. مقدمه ای بر بهینه سازی در هوش مصنوعی
• 30. جبر خطی در یادگیری ماشین
• 31. کاربرد ماتریس‌ها در شبکه‌های عصبی
• 32. بردارهای ویژگی و نمایش داده‌ها
• 33. فشرده‌سازی داده‌ها با استفاده از جبر خطی
• 34. تحلیل مؤلفه‌های اصلی (PCA)
• 35. کاربرد PCA در کاهش ابعاد داده‌ها
• 36. کاهش نویز با استفاده از PCA
• 37. مقدمه ای بر یادگیری عمیق
• 38. شبکه‌های عصبی کانولوشونی (CNN)
• 39. کاربرد جبر خطی در CNN
• 40. شبکه‌های عصبی بازگشتی (RNN)
• 41. کاربرد جبر خطی در RNN
• 42. پردازش زبان طبیعی (NLP)
• 43. کاربرد جبر خطی در NLP
• 44. مقدمه ای بر الگوریتم‌های یادگیری تقویتی
• 45. کاربرد جبر خطی در یادگیری تقویتی
• 46. تحلیل داده‌های بزرگ با استفاده از جبر خطی
• 47. سیستم‌های توصیه‌گر مبتنی بر جبر خطی
• 48. مقدمه ای بر مدل‌های آماری
• 49. مدل‌های خطی تعمیم‌یافته (GLM)
• 50. کاربرد جبر خطی در GLM
• 51. تحلیل سری‌های زمانی
• 52. مدل‌های ARIMA
• 53. کاربرد جبر خطی در مدل‌های سری زمانی
• 54. مقدمه ای بر بهینه‌سازی محدب
• 55. تابع هزینه و گرادیان در بهینه‌سازی
• 56. روش‌های بهینه‌سازی مبتنی بر گرادیان
• 57. نزول گرادیان تصادفی (SGD)
• 58. کاربرد SGD در آموزش مدل‌های هوش مصنوعی
• 59. شتاب‌دهنده‌ها در بهینه‌سازی
• 60. تنظیم‌کننده‌ها در مدل‌های هوش مصنوعی
• 61. مقدمه ای بر مباحث آماری در یادگیری ماشین
• 62. آزمون فرض آماری
• 63. کاربرد آزمون فرض در ارزیابی مدل‌ها
• 64. تحلیل واریانس (ANOVA)
• 65. کاربرد ANOVA در مقایسه مدل‌ها
• 66. رگرسیون لجستیک
• 67. کاربرد رگرسیون لجستیک در طبقه‌بندی
• 68. مقدمه ای بر تشخیص الگو
• 69. الگوریتم‌های خوشه‌بندی
• 70. کاربرد K-Means در تحلیل داده‌ها
• 71. مقدمه ای بر یادگیری نیمه‌نظارتی
• 72. یادگیری انتقالی (Transfer Learning)
• 73. کاربرد یادگیری انتقالی در هوش مصنوعی
• 74. مقدمه ای بر یادگیری خودنظارتی
• 75. شبکه‌های مولد تخاصمی (GAN)
• 76. کاربرد GAN در تولید داده
• 77. مقدمه ای بر اخلاق در هوش مصنوعی
• 78. حریم خصوصی داده‌ها
• 79. امنیت در سیستم‌های هوش مصنوعی
• 80. تفسیرپذیری مدل‌های هوش مصنوعی
• 81. عدالت و انصاف در هوش مصنوعی
• 82. فهم عمیق‌تر مقادیر ویژه و بردارهای ویژه
• 83. کاربرد جبر خطی در پردازش سیگنال
• 84. مقدمه ای بر تحلیل شبکه‌های پیچیده
• 85. کاربرد جبر خطی در زیست‌شناسی محاسباتی
• 86. جبر خطی در اقتصاد سنجی
• 87. مقدمه ای بر حسابان برداری
• 88. انتگرال‌گیری چندگانه
• 89. کاربرد حسابان برداری در فیزیک
• 90. مقدمه ای بر معادلات دیفرانسیل
• 91. حل عددی معادلات دیفرانسیل
• 92. کاربرد جبر خطی در رباتیک