کتاب هوش مصنوعی: مبانی احتمال و آمار در تصمیم‌گیری هوشمند با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی: مبانی احتمال و آمار در تصمیم‌گیری هوشمند

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مفاهیم پایه و نظری هوش مصنوعی**

📋 سرفصل‌های دوره

• 1. معادلات پایه احتمالات
• 2. توزیع‌های معمولی و غیرمعمولی
• 3. میانگین، واریانس و انحراف استاندارد
• 4. توزیع‌های Binomial و Poisson
• 5. قوانین بزرگ اعداد
• 6. قوانین توزیع نرمال
• 7. توزیع‌های نرمال چندمتغیره
• 8. معیارهای مقایسه‌ای توزیع‌ها
• 9. تحلیل آزمون‌های فرضی (t-test)
• 10. تحلیل تباين (ANOVA)
• 11. تحلیل رگرسیونی ساده
• 12. رگرسیون خطی و مدل‌های خطی
• 13. مفاهیم پایه‌ی آمار توصیفی
• 14. تحلیل داده‌های ترکیبی (multivariate analysis)
• 15. معیارهای ارزیابی مدل (accuracy, precision, recall)
• 16. مفهوم فریب مثبت و منفی (False Positive/Negative)
• 17. تحلیل ROC و AUC
• 18. تحلیل حساسیت و خاصیت
• 19. تجزیه و تحلیل داده‌های آموزشی (Data Splitting)
• 20. مفهوم Bayes در تصمیم‌گیری (Bayesian Decision Theory)
• 21. توزیع‌های پس‌از‌همدانی (Posterior Distributions)
• 22. مکانیزم‌های Markov و مدل‌های متسلسل
• 23. مدل‌های شبکه‌های عصبی (Neural Networks) و آمار
• 24. آموزش با انحراف (Gradient Descent) و آمار
• 25. مفهوم پیش‌احتمال (Prior) و توزیع پیش‌از‌همدانی
• 26. توسعهٔ مدل‌های ترکیبی (Ensemble Methods) با آمار
• 27. تحلیل خطا (Bias-Variance Tradeoff)
• 28. روش‌های تصحیح (Calibration) مدل‌ها
• 29. تحلیل حساسیت (Sensitivity Analysis) در داده‌ها
• 30. استفاده از آزمون‌های غیرپارامتری (Non-parametric tests)
• 31. مفاهیم پایه‌ی داده‌های کل‌نگاری (Big Data) و آمار
• 32. مدل‌های گرافیکی (Graphical Models) و احتمال
• 33. تحلیل سلسله مراتبی (Time Series) و آمار
• 34. پیش‌بینی احتمالاتی (Probabilistic Forecasting)
• 35. تحلیل متغیرهای ترکیبی (Multicollinearity) در رگرسیون
• 36. تجزیه و تحلیل داده‌های دسته‌بندی شده (Stratified Sampling)
• 37. استفاده از توزیع‌های نرمال برای مدل‌های خطی
• 38. مدل‌های تصمیم‌گیری تکمیلی (Decision Trees) و آمار
• 39. مدل‌های Random Forest و آمار پیش‌بینی
• 40. تحلیل ویژگی‌های مهم (Feature Importance) با آمار
• 41. مفهوم L1 و L2 ریگولارسازی و آمار
• 42. آموزش با داده‌های نابرابری (Imbalanced Data) و آمار
• 43. مدل‌های گرام (Gaussian) و توزیع‌های غیر نرمال
• 44. تحلیل توزیع‌های قدرت (Power Law) در داده‌های واقعی
• 45. روش‌های Monte Carlo برای شبیه‌سازی آمار
• 46. تحلیل داده‌های تایم‌سرس (Time Series) و مدل‌های ARIMA
• 47. مدل‌های تعاملی (Interactive Models) و آمار
• 48. تحلیل داده‌های espacial (Spatial Data) و آمار
• 49. استفاده از Bayesian Optimization در hyperparameter tuning
• 50. تحلیل توزیع‌های Poisson برای داده‌های شمارشی
• 51. تحلیل توزیع‌های Dirichlet برای داده‌های نسبی
• 52. استفاده از Copula برای مدل‌سازی وابستگی
• 53. تحلیل توزیع‌های Student-t برای داده‌های با توزیع‌های سنگین
• 54. مدل‌های Bayesian Additive Regression Trees (BART) و آمار
• 55. تحلیل توزیع‌های Exponential Family
• 56. تحلیل توزیع‌های Beta برای داده‌های proporت
• 57. استفاده از Bayesian Model Averaging (BMA) در پیش‌بینی
• 58. تحلیل توزیع‌های Dirichlet Process برای clustering
• 59. مدل‌های Bayesian Deep Learning با توزیع‌های پیش‌از‌همدانی
• 60. تحلیل توزیع‌های Student-t Process برای داده‌های نویز
• 61. استفاده از Bayesian nonparametric Methods در تحلیل داده‌ها
• 62. تحلیل توزیع‌های Weibull برای تحلیل قابلیت اعتماد
• 63. مدل‌های Bayesian Ensemble با ترکیب posterior
• 64. تحلیل توزیع‌های Multivariate Normal with covariance estimation
• 65. استفاده از Bayesian shrinkage priors در ریگروشن
• 66. تحلیل توزیع‌های Multivariate t with robust covariance
• 67. استفاده از Bayesian Optimization با توزیع‌های پیش‌از‌همدانی
• 68. تحلیل توزیع‌های Weibull برای قابلیت اعتماد (reliability engineering)
• 69. مدل‌های Bayesian hierarchical with Dirichlet priors
• 70. تحلیل توزیع‌های Multivariate normal with shrinkage
• 71. استفاده از Bayesian nonparametric در متن‌کاوی