فلش‌کارت‌های آموزشی کاوش در دنیای مدل‌های یادگیری: از مبانی تا کاربردها (بر اساس کتاب Finding out about)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاوش در دنیای مدل‌های یادگیری: از مبانی تا کاربردها (بر اساس کتاب Finding out about)

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌های یادگیری و کاوش داده

📋 سرفصل‌های دوره

• 1. درباره هوش مصنوعی و یادگیری ماشین: شروع یک کاوش
• 2. چرا ماشین‌ها باید یاد بگیرند؟
• 3. یافتن داده: سوخت اصلی یادگیری ماشین
• 4. انواع داده‌ها: از اعداد تا تصاویر
• 5. جمع‌آوری داده‌ها: منابع و روش‌ها
• 6. نگاه اول به داده‌ها: خلاصه‌سازی و آمارهای توصیفی
• 7. تصویرسازی داده‌ها: دیدن الگوها با چشم
• 8. دنیای متغیرها: ویژگی‌ها، برچسب‌ها و نمونه‌ها
• 9. درباره مسئله یادگیری: هدف چیست؟
• 10. یادگیری با نظارت: راهنمایی برای ماشین
• 11. یادگیری بدون نظارت: کشف الگوهای پنهان
• 12. یادگیری تقویتی: آزمون و خطا برای بهترین نتیجه
• 13. جداسازی داده: آموزش، اعتبارسنجی و آزمون
• 14. معیارهای ارزیابی: چگونه عملکرد مدل را بسنجیم؟
• 15. بیش‌برازش و کم‌برازش: چالش‌های اساسی در مدل‌سازی
• 16. یافتن یک مدل خوب: تعادل بین سادگی و پیچیدگی
• 17. مهندسی ویژگی‌ها: ساختن داده‌های بهتر برای مدل
• 18. پیش‌پردازش داده‌ها: پاک‌سازی و آماده‌سازی
• 19. مقیاس‌بندی ویژگی‌ها: آماده‌سازی برای الگوریتم‌ها
• 20. مدیریت مقادیر گمشده: راهکارهای عملی
• 21. درباره رگرسیون خطی: پیش‌بینی مقادیر پیوسته
• 22. رگرسیون خطی چندگانه: استفاده از چندین ویژگی
• 23. رگرسیون لجستیک: پیش‌بینی احتمالات و طبقه‌بندی
• 24. طبقه‌بندی: دسته‌بندی داده‌ها
• 25. درختان تصمیم: تصمیم‌گیری مرحله به مرحله
• 26. ایجاد یک درخت تصمیم: یافتن بهترین تقسیم‌ها
• 27. جنگل‌های تصادفی: قدرت اجتماع درختان
• 28. تقویت گرادیان (Gradient Boosting): بهبود مستمر مدل
• 29. ماشین‌های بردار پشتیبان (SVM): یافتن مرزهای بهینه
• 30. K-نزدیک‌ترین همسایه (KNN): یادگیری بر اساس شباهت
• 31. Naive Bayes: طبقه‌بندی بر اساس احتمالات
• 32. معیارهای طبقه‌بندی: دقت، صحت، بازیابی و F1-Score
• 33. ماتریس سردرگمی: دیدی عمیق‌تر به عملکرد طبقه‌بندی
• 34. منحنی ROC و AUC: ارزیابی مدل‌های باینری
• 35. اعتبارسنجی متقابل: ارزیابی قوی‌تر مدل
• 36. انتخاب مدل: کدام الگوریتم بهترین است؟
• 37. تنظیم فراپارامترها: بهینه‌سازی مدل‌ها
• 38. جستجوی شبکه‌ای و تصادفی: روش‌های یافتن فراپارامترها
• 39. Pipeline در یادگیری ماشین: گردش کار منظم
• 40. ذخیره و بارگذاری مدل‌ها: استفاده مجدد از آنچه یاد گرفته‌ایم
• 41. درباره خوشه‌بندی: گروه‌بندی داده‌ها بدون برچسب
• 42. K-Means: محبوب‌ترین الگوریتم خوشه‌بندی
• 43. انتخاب K مناسب: چالش اصلی در K-Means
• 44. خوشه‌بندی سلسله مراتبی: ساختار درختی از خوشه‌ها
• 45. DBSCAN: یافتن خوشه‌ها با چگالی بالا
• 46. ارزیابی خوشه‌بندی: چگونه کیفیت گروه‌ها را بسنجیم؟
• 47. کاهش ابعاد: ساده‌سازی داده‌های پیچیده
• 48. تحلیل مؤلفه‌های اصلی (PCA): یافتن ابعاد مهم
• 49. t-SNE: تصویرسازی داده‌های با ابعاد بالا
• 50. کاربردهای کاهش ابعاد: از تصویرسازی تا فشرده‌سازی
• 51. یادگیری انجمنی: یافتن روابط پنهان
• 52. الگوریتم آپریوری: کشف قواعد انجمنی
• 53. سیستم‌های توصیه‌گر: پیشنهاد محصول و محتوا
• 54. توصیه‌گرهای مبتنی بر محتوا: شبیه به آنچه دوست دارید
• 55. توصیه‌گرهای مشارکتی: مشابه آنچه دیگران دوست دارند
• 56. ماتریس‌های عامل‌بندی (Matrix Factorization): قلب توصیه‌گرها
• 57. معرفی شبکه‌های عصبی مصنوعی: الهام از مغز
• 58. نورون‌های مصنوعی: بلوک‌های سازنده شبکه
• 59. توابع فعال‌سازی: افزودن غیرخطی بودن
• 60. انتشار رو به جلو: حرکت داده در شبکه
• 61. انتشار رو به عقب: یادگیری شبکه
• 62. بهینه‌سازها: یافتن وزن‌های بهتر (SGD, Adam)
• 63. شبکه‌های عصبی عمیق: لایه‌های پنهان بیشتر
• 64. شبکه‌های عصبی کانولوشنی (CNN): برای تصاویر و بینایی ماشین
• 65. لایه‌های کانولوشن: استخراج ویژگی از تصاویر
• 66. لایه‌های پولینگ: کاهش ابعاد در CNN
• 67. شبکه‌های عصبی بازگشتی (RNN): برای داده‌های ترتیبی و زبان
• 68. LSTM و GRU: بهبود RNN برای حافظه طولانی‌تر
• 69. تعبیه کلمه (Word Embeddings): نمایش کلمات به صورت عددی
• 70. Transformer و Attention: تحول در پردازش زبان طبیعی
• 71. یادگیری انتقالی (Transfer Learning): استفاده از مدل‌های از پیش آموزش دیده
• 72. Fine-tuning: تنظیم دقیق مدل‌های از پیش آموزش دیده
• 73. یادگیری نیمه‌نظارتی: ترکیب داده‌های برچسب‌دار و بدون برچسب
• 74. یادگیری چند وظیفه‌ای (Multi-task Learning): یک مدل برای چندین کار
• 75. مولدها و تبعیض‌کننده‌ها: شبکه‌های مولد تخاصمی (GANs)
• 76. کاربردهای GANs: از تولید تصویر تا افزایش داده
• 77. تشخیص ناهنجاری (Anomaly Detection): یافتن موارد غیرعادی
• 78. کاربردهای تشخیص ناهنجاری: از تقلب تا نقص تولید
• 79. مدل‌های سری زمانی: پیش‌بینی آینده
• 80. اجزای سری زمانی: روند، فصلی بودن و نویز
• 81. مدل‌سازی سری زمانی: ARIMA و Prophet
• 82. یادگیری تقویتی در عمل: از بازی‌ها تا روباتیک
• 83. مسائل چندبازویی (Multi-armed Bandits): انتخاب بهترین گزینه
• 84. Q-Learning: یک الگوریتم پایه برای یادگیری تقویتی
• 85. Deep Q-Networks (DQN): ترکیب Q-Learning و شبکه‌های عصبی
• 86. استقرار مدل‌ها: از آزمایشگاه تا دنیای واقعی
• 87. MLOps: عملیات یادگیری ماشین
• 88. کانتینرسازی مدل‌ها: Docker برای یادگیری ماشین
• 89. API برای مدل‌ها: سرویس‌دهی به مدل‌ها
• 90. پلتفرم‌های ابری برای یادگیری ماشین (AWS SageMaker, Azure ML, Google AI Platform)
• 91. نظارت بر مدل در تولید: حفظ عملکرد در طول زمان
• 92. توضیح‌پذیری هوش مصنوعی (XAI): چرا مدل این تصمیم را گرفت؟
• 93. تفسیرپذیری مدل‌های ساده: رگرسیون و درختان تصمیم
• 94. تفسیرپذیری مدل‌های پیچیده: LIME و SHAP
• 95. تعصب و سوگیری در هوش مصنوعی: شناسایی و کاهش آن
• 96. حریم خصوصی در داده‌ها و مدل‌ها: چالش‌ها و راهکارها
• 97. امنیت مدل‌های یادگیری ماشین: حملات خصمانه
• 98. آینده هوش مصنوعی و یادگیری ماشین: روندهای جدید
• 99. از کاوش تا خلق: ساختن پروژه یادگیری ماشین خودتان
• 100. جمع‌بندی: سفر ما در دنیای مدل‌های یادگیری