کتاب طراحی و پیاده‌سازی معماری‌های هوش مصنوعی: رویکردهای کاربردی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی معماری‌های هوش مصنوعی: رویکردهای کاربردی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: معماری‌ها و مدل‌های پایه هوش مصنوعی**

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. الگوریتم‌های جستجو و بهینه‌سازی
• 3. نمایش دانش و استدلال
• 4. شبکه‌های عصبی مصنوعی: اصول و مبانی
• 5. یادگیری عمیق: معماری‌ها و کاربردها
• 6. شبکه‌های پیچشی عصبی (CNN)
• 7. شبکه‌های بازگشتی عصبی (RNN)
• 8. پردازش زبان طبیعی (NLP)
• 9. مدل‌سازی زبان و تولید متن
• 10. تحلیل احساسات و طبقه‌بندی متن
• 11. بینایی ماشین و تشخیص تصویر
• 12. تشخیص اشیا و قطعه‌بندی تصویر
• 13. یادگیری تقویتی: مفاهیم و الگوریتم‌ها
• 14. محیط‌های شبیه‌سازی شده برای یادگیری تقویتی
• 15. معماری‌های مبتنی بر ترانسفورمر
• 16. مدل‌های زبانی بزرگ (LLM)
• 17. تنظیم دقیق مدل‌های زبانی بزرگ
• 18. ارزیابی و مقایسه مدل‌های یادگیری ماشین
• 19. انتخاب ویژگی و کاهش ابعاد
• 20. رگرسیون خطی و لجستیک
• 21. درخت‌های تصمیم و جنگل‌های تصادفی
• 22. ماشین‌های بردار پشتیبان (SVM)
• 23. خوشه‌بندی و تحلیل داده‌ها
• 24. تشخیص ناهنجاری و داده‌های پرت
• 25. مقدمه‌ای بر یادگیری نیمه نظارتی
• 26. یادگیری انتقالی و پیش‌آموزش
• 27. یادگیری خودنظارتی
• 28. تفسیرپذیری مدل‌های یادگیری ماشین
• 29. روش‌های بصری‌سازی داده‌ها
• 30. مهندسی ویژگی و استخراج ویژگی
• 31. داده‌کاوی و الگوکاوی
• 32. سیستم‌های خبره و استنتاج
• 33. رباتیک و هوش مصنوعی
• 34. کاربردهای هوش مصنوعی در پزشکی
• 35. کاربردهای هوش مصنوعی در مالی
• 36. کاربردهای هوش مصنوعی در کشاورزی
• 37. کاربردهای هوش مصنوعی در صنعت
• 38. اخلاق در هوش مصنوعی
• 39. حریم خصوصی و امنیت داده‌ها
• 40. مفاهیم پایه‌ای احتمال و آمار
• 41. جبر خطی برای یادگیری ماشین
• 42. حساب دیفرانسیل و انتگرال برای یادگیری ماشین
• 43. بهینه‌سازی محدب
• 44. درک و کار با داده‌های بزرگ (Big Data)
• 45. فریم‌ورک‌های یادگیری ماشین: TensorFlow
• 46. فریم‌ورک‌های یادگیری ماشین: PyTorch
• 47. فریم‌ورک‌های یادگیری ماشین: Keras
• 48. استقرار مدل‌های یادگیری ماشین
• 49. API و میکروسرویس‌ها برای هوش مصنوعی
• 50. بهینه‌سازی عملکرد مدل‌های یادگیری ماشین
• 51. مقیاس‌پذیری و توزیع‌پذیری مدل‌ها
• 52. استفاده از GPU برای آموزش مدل‌ها
• 53. یادگیری فدرال
• 54. یادگیری فعال
• 55. یادگیری چندوظیفه‌ای
• 56. یادگیری متا
• 57. شبکه‌های مولد تخاصمی (GAN)
• 58. کدینگ خودکار (Autoencoders)
• 59. یادگیری گراف
• 60. پردازش سیگنال و تصویر
• 61. یادگیری تقویتی عمیق
• 62. مدل‌سازی سری‌های زمانی
• 63. مدیریت چرخه حیات مدل (MLOps)
• 64. آینده هوش مصنوعی و چالش‌های پیش‌رو