کتاب شفافیت و توضیح‌پذیری در هوش مصنوعی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شفافیت و توضیح‌پذیری در هوش مصنوعی

موضوع کلی: امنیت و اعتماد در اکوسیستم‌های هوش مصنوعی نوین

موضوع میانی: حکمرانی داده و مدل در اکوسیستم‌های هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. داده‌ها و پیش‌پردازش آن‌ها
• 3. انواع الگوریتم‌های یادگیری ماشین
• 4. رگرسیون خطی و چندگانه
• 5. طبقه‌بندی با استفاده از الگوریتم‌های مختلف
• 6. درخت‌های تصمیم‌گیری و جنگل‌های تصادفی
• 7. ماشین‌های بردار پشتیبان (SVM)
• 8. خوشه‌بندی و الگوریتم‌های آن
• 9. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 10. بیش‌برازش و کم‌برازش در مدل‌ها
• 11. تنظیم پارامترهای مدل
• 12. انتخاب ویژگی و کاهش ابعاد
• 13. شبکه‌های عصبی مصنوعی: مفاهیم پایه
• 14. پرceptron و یادگیری آن
• 15. شبکه‌های عصبی چندلایه
• 16. الگوریتم پس‌انتشار خطا
• 17. بهینه‌سازها و تنظیم نرخ یادگیری
• 18. شبکه‌های عصبی پیچشی (CNN) برای پردازش تصویر
• 19. شبکه‌های عصبی بازگشتی (RNN) برای پردازش زبان طبیعی
• 20. پردازش زبان طبیعی (NLP) و کاربردهای آن
• 21. مدل‌سازی زبانی و تولید متن
• 22. تحلیل احساسات و طبقه‌بندی متن
• 23. تشخیص موجودیت‌های نام‌دار (NER)
• 24. خلاصه‌سازی متن
• 25. ترجمه ماشینی
• 26. یادگیری تقویتی: مفاهیم و الگوریتم‌ها
• 27. Q-learning و Deep Q-Network (DQN)
• 28. محیط‌ها و پاداش‌ها در یادگیری تقویتی
• 29. کاربردهای یادگیری تقویتی در رباتیک
• 30. مفاهیم احتمال و آمار در هوش مصنوعی
• 31. توزیع‌های احتمال و قضیه بیز
• 32. آزمون فرضیه‌ها
• 33. تحلیل واریانس (ANOVA)
• 34. رگرسیون لجستیک
• 35. تفسیرپذیری مدل‌های هوش مصنوعی
• 36. روش‌های LIME و SHAP
• 37. توضیح مدل‌های یادگیری ماشین
• 38. محدودیت‌ها و چالش‌های هوش مصنوعی
• 39. اخلاق در هوش مصنوعی و سوگیری‌ها
• 40. مسائل حقوقی مرتبط با هوش مصنوعی
• 41. امنیت هوش مصنوعی و حملات خصمانه
• 42. آینده هوش مصنوعی و روندهای نوظهور
• 43. استفاده از ابزارهای پایتون برای هوش مصنوعی
• 44. کتابخانه‌های Scikit-learn و TensorFlow
• 45. کتابخانه Keras و ساخت مدل‌های عصبی