فلش‌کارت‌های آموزشی مدل‌های غیرخطی با نظارت در یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های غیرخطی با نظارت در یادگیری ماشین

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌های یادگیری ماشین پیشرفته

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین با نظارت
• 2. مقدمه‌ای بر مدل‌های خطی
• 3. رگرسیون خطی و ارزیابی آن
• 4. مقدمه‌ای بر طبقه‌بندی
• 5. رگرسیون لجستیک
• 6. دسته‌بندی‌کننده‌های بردار پشتیبان (SVM)
• 7. هسته‌های SVM
• 8. درختان تصمیم
• 9. قوانین انجمنی
• 10. مدل‌های مبتنی بر درخت: جنگل‌های تصادفی
• 11. مدل‌های مبتنی بر درخت: تقویت گرادیان
• 12. شبکه‌های عصبی مصنوعی
• 13. مقدمه‌ای بر یادگیری عمیق
• 14. شبکه‌های عصبی پیچشی (CNN)
• 15. شبکه‌های عصبی بازگشتی (RNN)
• 16. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 17. واحد بازگشتی دروازه‌ای (GRU)
• 18. مدل‌های نیمه‌نظارتی
• 19. یادگیری تقویتی: مبانی
• 20. یادگیری تقویتی: الگوریتم‌های Q-Learning
• 21. یادگیری تقویتی: الگوریتم‌های Policy Gradient
• 22. یادگیری تقویتی: Deep Q-Networks (DQN)
• 23. یادگیری تقویتی: Actor-Critic Methods
• 24. مدل‌های مولد
• 25. شبکه‌های مولد تخاصمی (GANs)
• 26. خودرمزگذارها (Autoencoders)
• 27. خودرمزگذارها متغیر (VAEs)
• 28. یادگیری انتقال
• 29. یادگیری چندوظیفه‌ای
• 30. یادگیری فعال
• 31. مدل‌های مجموعه‌ای (Ensemble Models)
• 32. روش‌های Bagging
• 33. روش‌های Boosting
• 34. روش‌های Stacking
• 35. مدل‌های غیرخطی در یادگیری ماشین
• 36. مقدمه‌ای بر مدل‌های غیرخطی
• 37. فضاهای ویژگی غیرخطی
• 38. نقش نگاشت هسته (Kernel Trick)
• 39. کاربرد نگاشت هسته در SVM
• 40. مدل‌های مبتنی بر توابع پایه شعاعی (RBF)
• 41. شبکه‌های عصبی به عنوان مدل‌های غیرخطی
• 42. مدل‌های غیرخطی در طبقه‌بندی
• 43. مدل‌های غیرخطی در رگرسیون
• 44. ارزیابی مدل‌های غیرخطی
• 45. تنظیم ابرپارامترها در مدل‌های غیرخطی
• 46. مقدمه‌ای بر مدل‌های غیرخطی پیچیده
• 47. مدل‌های غیرخطی برای داده‌های تصویری
• 48. مدل‌های غیرخطی برای داده‌های متنی
• 49. مدل‌های غیرخطی برای داده‌های سری زمانی
• 50. تفسیرپذیری مدل‌های غیرخطی
• 51. مقایسه مدل‌های خطی و غیرخطی
• 52. مزایای مدل‌های غیرخطی
• 53. معایب مدل‌های غیرخطی
• 54. انتخاب مدل غیرخطی مناسب
• 55. مدل‌های غیرخطی در کاربردهای صنعتی
• 56. مدل‌های غیرخطی در پردازش زبان طبیعی
• 57. مدل‌های غیرخطی در بینایی ماشین
• 58. مدل‌های غیرخطی در سیستم‌های توصیه‌گر
• 59. مدل‌های غیرخطی در تشخیص ناهنجاری
• 60. بهینه‌سازی مدل‌های غیرخطی
• 61. تکنیک‌های کاهش بعد برای مدل‌های غیرخطی
• 62. پیچیدگی محاسباتی مدل‌های غیرخطی
• 63. کارایی مدل‌های غیرخطی
• 64. تکنیک‌های تنظیم مدل‌های غیرخطی
• 65. مدل‌های غیرخطی و پیش‌پردازش داده
• 66. مدل‌های غیرخطی و انتخاب ویژگی
• 67. مدل‌های غیرخطی و داده‌های نامتوازن
• 68. مدل‌های غیرخطی و تعمیم‌پذیری
• 69. مدل‌های غیرخطی و جلوگیری از بیش‌برازش
• 70. مدل‌های غیرخطی و بیش‌برازش
• 71. مدل‌های غیرخطی و یادگیری مداوم
• 72. مدل‌های غیرخطی و یادگیری توزیع‌شده
• 73. مدل‌های غیرخطی و یادگیری فدرال
• 74. مدل‌های غیرخطی و اخلاق در هوش مصنوعی
• 75. مدل‌های غیرخطی و حریم خصوصی داده‌ها
• 76. مدل‌های غیرخطی و سوگیری الگوریتمی
• 77. مدل‌های غیرخطی و مسئولیت‌پذیری
• 78. مدل‌های غیرخطی و آینده یادگیری ماشین
• 79. مدل‌های غیرخطی و هوش مصنوعی عمومی
• 80. مدل‌های غیرخطی و یادگیری عمیق پیشرفته
• 81. مدل‌های غیرخطی و یادگیری خودنظارتی
• 82. مدل‌های غیرخطی و یادگیری نیمه‌نظارتی پیشرفته
• 83. مدل‌های غیرخطی و یادگیری تقویتی پیشرفته
• 84. مدل‌های غیرخطی و مدل‌های مولد پیشرفته
• 85. مدل‌های غیرخطی و یادگیری انتقال پیشرفته
• 86. مدل‌های غیرخطی و مدل‌های ترنسفورمر
• 87. مدل‌های غیرخطی و مدل‌های گراف عصبی
• 88. مدل‌های غیرخطی و پردازش داده‌های مکانی-زمانی
• 89. مدل‌های غیرخطی و تحلیل شبکه‌های اجتماعی
• 90. مدل‌های غیرخطی و کاربردهای پزشکی
• 91. مدل‌های غیرخطی و کاربردهای مالی
• 92. مدل‌های غیرخطی و کاربردهای رباتیک
• 93. مدل‌های غیرخطی و کاربردهای اکتشاف علمی
• 94. مدل‌های غیرخطی و مدل‌سازی اقلیمی
• 95. مدل‌های غیرخطی و پیش‌بینی بازار سهام
• 96. مدل‌های غیرخطی و تشخیص بیماری
• 97. مدل‌های غیرخطی و تولید محتوا