کتاب هوش مصنوعی برای مبتدیان با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی برای مبتدیان

موضوع کلی: برنامه‌نویسی مقدماتی کامپیوتر

موضوع میانی: مقدمه‌ای بر هوش مصنوعی (مفاهیم)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و کاربردهای آن
• 2. تاریخچه و تکامل هوش مصنوعی
• 3. تعریف یادگیری ماشین و انواع آن
• 4. یادگیری نظارت‌شده: مفاهیم و الگوریتم‌ها
• 5. رگرسیون خطی: اصول و پیاده‌سازی
• 6. رگرسیون لجستیک: کاربردها و تفسیر
• 7. دسته‌بندی با استفاده از درخت‌های تصمیم‌گیری
• 8. روش‌های ارزیابی مدل‌های دسته‌بندی
• 9. یادگیری بدون نظارت: خوشه‌بندی و کاهش ابعاد
• 10. خوشه‌بندی K-Means: تئوری و کاربرد
• 11. تحلیل مولفه‌های اصلی (PCA): کاهش ابعاد داده‌ها
• 12. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 13. پرceptron: واحد پایه شبکه‌های عصبی
• 14. شبکه‌های عصبی چندلایه: معماری و آموزش
• 15. الگوریتم Backpropagation: بهینه‌سازی شبکه‌های عصبی
• 16. تابع فعال‌سازی: انواع و کاربردها
• 17. شبکه‌های عصبی کانولوشنال (CNN): معرفی و کاربرد در پردازش تصویر
• 18. پردازش زبان طبیعی (NLP): مفاهیم و تکنیک‌ها
• 19. مدل‌های زبانی: Word Embeddings و Word2Vec
• 20. شبکه‌های عصبی بازگشتی (RNN): کاربرد در پردازش دنباله‌ها
• 21. طولانی‌مدت حافظه (LSTM): غلبه بر مشکل vanishing gradient
• 22. شبکه‌های مولد تخاصمی (GAN): تولید داده‌های جدید
• 23. یادگیری تقویتی: مفاهیم و الگوریتم‌ها
• 24. Q-Learning: یادگیری سیاست بهینه
• 25. Deep Q-Network (DQN): ترکیب یادگیری تقویتی و شبکه‌های عصبی
• 26. مقدمه‌ای بر بینایی ماشین
• 27. تشخیص اشیا در تصاویر: الگوریتم‌ها و کاربردها
• 28. Segmentation تصویر: تفکیک مناطق تصویر
• 29. مقدمه‌ای بر رباتیک و هوش مصنوعی
• 30. کنترل ربات با استفاده از هوش مصنوعی
• 31. هوش مصنوعی در تحلیل داده‌های بزرگ
• 32. کاربردهای هوش مصنوعی در صنعت
• 33. هوش مصنوعی در پزشکی: تشخیص بیماری و درمان
• 34. هوش مصنوعی در بازاریابی و تبلیغات
• 35. هوش مصنوعی در امور مالی و بانکی
• 36. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 37. Fine-tuning مدل‌های پیش‌آموزش‌دیده
• 38. یادگیری خودنظارتی (Self-Supervised Learning)
• 39. اخلاق در هوش مصنوعی: چالش‌ها و ملاحظات
• 40. تفسیرپذیری مدل‌های هوش مصنوعی (Explainable AI)
• 41. مقدمه‌ای بر ابزارهای توسعه هوش مصنوعی (TensorFlow, PyTorch)
• 42. استقرار مدل‌های هوش مصنوعی (Model Deployment)
• 43. بهینه‌سازی مدل‌های هوش مصنوعی برای اجرا در محیط‌های محدود
• 44. آینده هوش مصنوعی و روندهای نوظهور
• 45. مبانی ریاضی هوش مصنوعی: جبر خطی و حساب دیفرانسیل و انتگرال