فلش‌کارت‌های آموزشی هوش مصنوعی کاربردی برای متخصصان: از مفاهیم تا پیاده‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی کاربردی برای متخصصان: از مفاهیم تا پیاده‌سازی

موضوع کلی: علوم و مهندسی کامپیوتر

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و کاربردهای آن
• 2. تاریخچه و تحولات هوش مصنوعی
• 3. یادگیری ماشین: اصول و مبانی
• 4. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 5. مفاهیم کلیدی در یادگیری ماشین
• 6. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 7. پاکسازی و نرمال‌سازی داده‌ها
• 8. مهندسی ویژگی و انتخاب ویژگی
• 9. مدل‌های یادگیری ماشین: رگرسیون خطی
• 10. مدل‌های یادگیری ماشین: رگرسیون لجستیک
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. درختان تصمیم و جنگل‌های تصادفی
• 13. مدل‌های یادگیری ماشین: K-نزدیکترین همسایه (KNN)
• 14. خوشه‌بندی: الگوریتم K-Means
• 15. خوشه‌بندی: سلسله مراتبی و DBSCAN
• 16. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 17. کاهش ابعاد: t-SNE
• 18. ارزیابی مدل‌های یادگیری ماشین
• 19. معیارهای ارزیابی برای رگرسیون
• 20. معیارهای ارزیابی برای طبقه‌بندی
• 21. اعتبارسنجی متقابل (Cross-validation)
• 22. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 23. یادگیری عمیق: مقدمه و اصول
• 24. شبکه‌های عصبی مصنوعی (ANN)
• 25. تابع فعال‌سازی در شبکه‌های عصبی
• 26. پس‌انتشار خطا (Backpropagation)
• 27. شبکه‌های عصبی کانولوشنی (CNN)
• 28. کاربرد CNN در بینایی ماشین
• 29. شبکه‌های عصبی بازگشتی (RNN)
• 30. کاربرد RNN در پردازش زبان طبیعی
• 31. حافظه کوتاه‌مدت طولانی (LSTM) و GRU
• 32. شبکه‌های مولد تخاصمی (GAN)
• 33. یادگیری تقویتی: مبانی و الگوریتم‌ها
• 34. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 35. یادگیری Q (Q-Learning)
• 36. یادگیری عمیق تقویتی (Deep Q-Networks)
• 37. پیاده‌سازی مدل‌های یادگیری ماشین با پایتون
• 38. کتابخانه NumPy برای محاسبات عددی
• 39. کتابخانه Pandas برای تحلیل داده‌ها
• 40. کتابخانه Scikit-learn برای یادگیری ماشین
• 41. کتابخانه TensorFlow برای یادگیری عمیق
• 42. کتابخانه Keras برای یادگیری عمیق
• 43. کاربرد هوش مصنوعی در پردازش زبان طبیعی (NLP)
• 44. تحلیل احساسات متنی
• 45. طبقه‌بندی متن
• 46. مدل‌سازی موضوعی (Topic Modeling)
• 47. ترجمه ماشینی
• 48. کاربرد هوش مصنوعی در بینایی ماشین
• 49. تشخیص اشیاء
• 50. تشخیص چهره
• 51. تقطیر تصویر (Image Segmentation)
• 52. تولید تصویر
• 53. هوش مصنوعی در رباتیک
• 54. ناوبری ربات‌ها
• 55. کنترل ربات‌ها
• 56. هوش مصنوعی در سیستم‌های توصیه‌گر
• 57. فیلترینگ مشارکتی
• 58. فیلترینگ مبتنی بر محتوا
• 59. سیستم‌های توصیه‌گر ترکیبی
• 60. هوش مصنوعی در تحلیل داده‌های بزرگ (Big Data)
• 61. پردازش موازی و توزیع شده
• 62. کاربرد هوش مصنوعی در حوزه سلامت
• 63. تشخیص بیماری‌ها
• 64. کشف دارو
• 65. هوش مصنوعی در حوزه مالی
• 66. مدیریت ریسک
• 67. تشخیص تقلب
• 68. هوش مصنوعی در حوزه آموزش
• 69. شخصی‌سازی یادگیری
• 70. سیستم‌های یادگیری تطبیقی
• 71. هوش مصنوعی و اخلاق
• 72. سوگیری در الگوریتم‌های هوش مصنوعی
• 73. مسائل حریم خصوصی و امنیت داده‌ها
• 74. شفافیت و تفسیرپذیری در هوش مصنوعی
• 75. مسئولیت‌پذیری در هوش مصنوعی
• 76. آینده هوش مصنوعی و روندهای نوظهور
• 77. هوش مصنوعی عمومی (AGI)
• 78. هوش مصنوعی و تعامل انسان و ماشین
• 79. هوش مصنوعی و اقتصاد دیجیتال
• 80. هوش مصنوعی و جامعه
• 81. ملاحظات امنیتی در پیاده‌سازی هوش مصنوعی
• 82. حفاظت از مدل‌های هوش مصنوعی
• 83. امنیت داده‌ها در سیستم‌های هوش مصنوعی
• 84. پیاده‌سازی هوش مصنوعی در محیط‌های ابری
• 85. خدمات ابری برای هوش مصنوعی
• 86. استقرار و مدیریت مدل‌های هوش مصنوعی
• 87. بهینه‌سازی عملکرد مدل‌ها
• 88. یادگیری ماشین روی دستگاه (On-Device ML)
• 89. تکنیک‌های فشرده‌سازی مدل
• 90. هوش مصنوعی و اینترنت اشیاء (IoT)
• 91. تحلیل داده‌های سنسورها
• 92. سیستم‌های هوشمند IoT
• 93. هوش مصنوعی و بلاکچین
• 94. قراردادهای هوشمند
• 95. امنیت در بلاکچین با هوش مصنوعی
• 96. هوش مصنوعی و محاسبات کوانتومی
• 97. مقدمه‌ای بر محاسبات کوانتومی
• 98. پتانسیل هوش مصنوعی کوانتومی
• 99. هوش مصنوعی و ربات‌های خودمختار
• 100. تصمیم‌گیری خودمختار