فلش‌کارت‌های آموزشی غواصی در دنیای هوش محاسباتی ترکیبی: از مفاهیم تا پیاده‌سازی کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره غواصی در دنیای هوش محاسباتی ترکیبی: از مفاهیم تا پیاده‌سازی کاربردی

موضوع کلی: هوش محاسباتی

موضوع میانی: هوش محاسباتی ترکیبی

📋 سرفصل‌های دوره

• 1. مقدمه: غواصی در دنیای هوش محاسباتی ترکیبی
• 2. هوش مصنوعی، یادگیری ماشین و هوش محاسباتی: تمایزها و ارتباطات
• 3. چرا به هوش محاسباتی ترکیبی نیاز داریم؟
• 4. محدودیت‌های مدل‌های تک‌جزئی هوش محاسباتی
• 5. تعریف هوش محاسباتی ترکیبی و فلسفه آن
• 6. دسته‌بندی کلی سیستم‌های ترکیبی: متوالی، موازی، سلسله‌مراتبی
• 7. مزایا و چالش‌های هوش محاسباتی ترکیبی
• 8. مبانی شبکه‌های عصبی مصنوعی
• 9. نورون بیولوژیکی و مدل مک‌کالک-پیتس
• 10. پرceptron: اولین مدل یادگیری و محدودیت‌های آن
• 11. معرفی شبکه‌های عصبی چندلایه (MLP)
• 12. الگوریتم پس‌انتشار خطا (Backpropagation) و نحوه عملکرد آن
• 13. انواع توابع فعال‌سازی و بهینه‌سازها در شبکه‌های عصبی
• 14. شبکه‌های عصبی کانولوشنی (CNN) و کاربردهای آن در بینایی ماشین
• 15. شبکه‌های عصبی بازگشتی (RNN) و مسائل دنباله‌ای
• 16. شبکه‌های حافظه کوتاه‌مدت بلند (LSTM) و معماری‌های دروازه‌ای
• 17. شبکه‌های عصبی خودرمزگذار (Autoencoders) برای یادگیری ویژگی
• 18. شبکه‌های مولد تخاصمی (GANs) و کاربردها در تولید داده
• 19. انتقال یادگیری (Transfer Learning) و تنظیم دقیق مدل‌ها
• 20. چالش‌ها و محدودیت‌های رایج در طراحی و آموزش شبکه‌های عصبی
• 21. مبانی سیستم‌های فازی
• 22. منطق بولین در برابر منطق فازی: ضرورت مدل‌سازی ابهام
• 23. مجموعه‌های فازی و تابع عضویت: تعاریف و انواع
• 24. عملیات روی مجموعه‌های فازی (اجتماع، اشتراک، مکمل)
• 25. روابط فازی و ترکیب روابط
• 26. سیستم‌های استنتاج فازی ممدانی (Mamdani): ساختار و فرآیند استنتاج
• 27. سیستم‌های استنتاج فازی سوگنو (Sugeno): رویکرد متفاوت
• 28. فرآیند فازی‌سازی (Fuzzification)
• 29. فرآیند غیرفازی‌سازی (Defuzzification) و روش‌های آن
• 30. قواعد فازی و پایگاه دانش فازی
• 31. زبان‌شناسی فازی و متغیرهای زبانی
• 32. طراحی و پیاده‌سازی یک سیستم فازی ساده
• 33. مزایا و محدودیت‌های سیستم‌های فازی
• 34. مبانی محاسبات تکاملی
• 35. الهام از طبیعت: مروری بر نظریه تکامل و انتخاب طبیعی
• 36. الگوریتم‌های ژنتیک (GA): مفاهیم پایه (جامعه، کروموزوم، ژن)
• 37. نمایش کروموزوم‌ها، تابع برازندگی و اپراتورهای ژنتیکی (انتخاب، تقاطع، جهش)
• 38. انواع روش‌های انتخاب در GA
• 39. برنامه‌ریزی ژنتیک (GP) و تکامل ساختارها
• 40. الگوریتم بهینه‌سازی ازدحام ذرات (PSO): الهام، مفاهیم و معادلات
• 41. الگوریتم کلونی مورچگان (ACO) برای مسائل بهینه‌سازی مسیر
• 42. استراتژی‌های تکاملی (ES) و کاربردهای آنها
• 43. محاسبات تکاملی چندهدفه
• 44. مزایا و محدودیت‌های محاسبات تکاملی
• 45. انتخاب الگوریتم تکاملی مناسب برای مسائل مختلف
• 46. معماری‌ها و رویکردهای ترکیب‌سازی
• 47. دلایل اصلی ترکیب مدل‌ها: افزایش دقت، تفسیرپذیری، سرعت، قابلیت اطمینان
• 48. دسته‌بندی سیستم‌های ترکیبی: متوالی، موازی، سلسله‌مراتبی و توکار
• 49. تلفیق دانش و داده در سیستم‌های ترکیبی
• 50. ترکیب در سطح داده (Data Level Fusion)
• 51. ترکیب در سطح ویژگی (Feature Level Fusion)
• 52. ترکیب در سطح مدل (Model Level Fusion)
• 53. ترکیب در سطح خروجی (Decision Level Fusion) و روش‌های تجمیع
• 54. معیارهای ارزیابی و مقایسه سیستم‌های ترکیبی
• 55. سیستم‌های ترکیبی نورو-فازی
• 56. مقدمه‌ای بر نورو-فازی: تلفیق یادگیری و تفسیرپذیری
• 57. سیستم‌های استنتاج فازی تطبیقی شبکه‌ای (ANFIS): ساختار و اجزا
• 58. الگوریتم یادگیری ANFIS برای تنظیم پارامترها
• 59. طراحی توابع عضویت به کمک شبکه‌های عصبی
• 60. استخراج قواعد فازی از شبکه‌های عصبی آموزش‌دیده
• 61. شبکه‌های عصبی فازی مبتنی بر قانون (مانند NEFCON)
• 62. سیستم‌های فازی تکاملی (Evolving Fuzzy Systems) با یادگیری آنلاین
• 63. کاربردهای نورو-فازی در کنترل هوشمند و سیستم‌های توصیه‌گر
• 64. نورو-فازی برای طبقه‌بندی و رگرسیون در داده‌های پیچیده
• 65. چالش‌ها و آینده سیستم‌های نورو-فازی
• 66. سیستم‌های ترکیبی نورو-تکاملی
• 67. تکامل شبکه‌های عصبی: ایده‌ها و رویکردهای تاریخی
• 68. تکامل توپولوژی شبکه‌های عصبی (NEAT) و شبکه‌های عصبی با پیچیدگی فزاینده
• 69. تکامل وزن‌ها و بایاس‌های شبکه عصبی با الگوریتم ژنتیک
• 70. یادگیری قوانین یادگیری (Learning Rules) شبکه‌های عصبی با محاسبات تکاملی
• 71. ترکیب الگوریتم‌های ژنتیک و شبکه‌های عصبی عمیق
• 72. بهینه‌سازی هایپرپارامترهای شبکه‌های عصبی با PSO و سایر الگوریتم‌های تکاملی
• 73. تکامل شبکه‌های عصبی برای یادگیری تقویتی
• 74. کاربرد سیستم‌های نورو-تکاملی در مسائل بهینه‌سازی و طراحی
• 75. مقایسه سیستم‌های نورو-تکاملی با روش‌های گرادیان‌محور
• 76. سیستم‌های ترکیبی فازی-تکاملی
• 77. مقدمه‌ای بر ترکیب فازی و تکاملی: افزایش خودکارسازی و بهینه‌سازی
• 78. طراحی خودکار قواعد فازی با الگوریتم ژنتیک
• 79. بهینه‌سازی توابع عضویت سیستم فازی با PSO
• 80. انتخاب ویژگی (Feature Selection) با الگوریتم‌های تکاملی برای سیستم‌های فازی
• 81. استخراج قواعد فازی از داده‌ها با محاسبات تکاملی
• 82. سیستم‌های فازی-تکاملی برای مسائل کنترل تطبیقی و مقاوم
• 83. بهبود سیستم‌های توصیه‌گر فازی با GA
• 84. مدل‌سازی و شناسایی سیستم‌های پیچیده با رویکرد فازی-تکاملی
• 85. چالش‌ها در طراحی و تنظیم سیستم‌های فازی-تکاملی
• 86. ترکیب‌های پیشرفته و چندپارادایمی
• 87. ترکیب سیستم‌های خبره با هوش محاسباتی
• 88. هوش محاسباتی ترکیبی عمیق (Deep Hybrid Computational Intelligence)
• 89. سیستم‌های هیبرید مبتنی بر یادگیری تقویتی و هوش محاسباتی
• 90. ترکیب هوش ازدحامی با شبکه‌های عصبی و سیستم‌های فازی
• 91. سیستم‌های طبقه‌بندی ترکیبی (Ensemble Classifiers) بر پایه CI
• 92. استفاده از الگوریتم‌های فراابتکاری (Metaheuristics) در کنار CI
• 93. رویکردهای سلسله‌مراتبی و آبشاری در سیستم‌های ترکیبی
• 94. ترکیب CI با پردازش سیگنال و بینایی ماشین
• 95. پیاده‌سازی و کاربردها
• 96. ابزارهای برنامه‌نویسی برای هوش محاسباتی ترکیبی (Python، MATLAB، TensorFlow، PyTorch)
• 97. پیاده‌سازی یک سیستم نورو-فازی در پایتون (پروژه عملی ۱)
• 98. پیاده‌سازی یک الگوریتم تکاملی برای بهینه‌سازی NN (پروژه عملی ۲)
• 99. کاربردهای هوش محاسباتی ترکیبی در رباتیک و کنترل
• 100. کاربردها در پردازش تصویر، بینایی ماشین و تشخیص الگو