فلش‌کارت‌های آموزشی یادگیری ماشین سازگار: رویکرد بهینه‌سازی و انتخاب مدل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین سازگار: رویکرد بهینه‌سازی و انتخاب مدل

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی نظری یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین سازگار
• 2. مفهوم یادگیری ماشین در چارچوب اسلامی
• 3. ضرورت مدل‌های سازگار در علوم داده
• 4. اصول بهینه‌سازی در یادگیری ماشین
• 5. مفهوم یادگیرنده سازگار
• 6. تعریف سازگاری در یادگیری ماشین
• 7. ارتباط سازگاری با نظریه اطلاعات
• 8. مبانی نظری یادگیرنده‌های سازگار
• 9. قضیه ولپکی و یادگیری سازگار
• 10. نمونه‌گیری و توزیع داده‌ها
• 11. تحلیل آماری در یادگیری ماشین
• 12. توزیع‌های احتمالی در مدل‌سازی
• 13. یادگیری با نظارت و بدون نظارت
• 14. انواع مسائل یادگیری ماشین
• 15. مدل‌های خطی و غیرخطی
• 16. رگرسیون خطی و کاربردهای آن
• 17. رگرسیون لجستیک برای طبقه‌بندی
• 18. ماشین‌های بردار پشتیبان (SVM)
• 19. هسته‌های در SVM و انواع آن‌ها
• 20. شبکه‌های عصبی مصنوعی
• 21. معماری شبکه‌های عصبی
• 22. آموزش شبکه‌های عصبی
• 23. پس‌انتشار خطا (Backpropagation)
• 24. یادگیری عمیق و شبکه‌های عمیق
• 25. شبکه‌های کانولوشنی (CNN)
• 26. کاربرد CNN در پردازش تصویر
• 27. شبکه‌های بازگشتی (RNN)
• 28. کاربرد RNN در پردازش زبان طبیعی
• 29. مبانی نظری یادگیری عمیق
• 30. پیچیدگی مدل و بیش‌برازش (Overfitting)
• 31. کم‌برازش (Underfitting) و علل آن
• 32. روش‌های جلوگیری از بیش‌برازش
• 33. منظم‌سازی (Regularization) و انواع آن
• 34. L1 و L2 Regularization
• 35. Dropout و سایر تکنیک‌ها
• 36. اعتبارسنجی متقابل (Cross-validation)
• 37. انتخاب مدل و معیارها
• 38. معیارهای ارزیابی مدل‌ها
• 39. دقت (Accuracy)، صحت (Precision)، یادآوری (Recall)
• 40. امتیاز F1 و سایر معیارها
• 41. تحلیل حساسیت و ویژگی مدل
• 42. مفهوم Occam's Razor در انتخاب مدل
• 43. اصل سادگی و اثربخشی مدل
• 44. کاربرد Occam's Razor در یادگیری ماشین
• 45. انتخاب مدل‌های ساده‌تر و قابل تفسیر
• 46. یادگیری تقویتی (Reinforcement Learning)
• 47. مبانی یادگیری تقویتی
• 48. عامل، محیط، پاداش
• 49. الگوریتم‌های یادگیری تقویتی
• 50. یادگیری عمیق تقویتی
• 51. کاربرد یادگیری تقویتی
• 52. مبانی داده‌کاوی در چارچوب اسلامی
• 53. اصول اخلاقی در تحلیل داده‌ها
• 54. حفظ حریم خصوصی و امنیت داده‌ها
• 55. استفاده مسئولانه از الگوریتم‌ها
• 56. کاربردهای اسلامی یادگیری ماشین
• 57. تحلیل آماری متون دینی
• 58. مدل‌سازی رفتار اقتصادی اسلامی
• 59. پیش‌بینی در بازارهای مالی اسلامی
• 60. سیستم‌های توصیه‌گر مبتنی بر ارزش‌های اسلامی
• 61. پردازش زبان طبیعی در زبان فارسی
• 62. مدل‌سازی زبان فارسی برای کاربردهای اسلامی
• 63. تحلیل احساسات در متون فارسی
• 64. استخراج اطلاعات از متون دینی
• 65. مبانی یادگیری بدون نظارت
• 66. خوشه‌بندی (Clustering) و انواع آن
• 67. K-Means Clustering
• 68. DBSCAN
• 69. تحلیل مولفه‌های اصلی (PCA)
• 70. کاهش ابعاد داده‌ها
• 71. مبانی مدل‌های احتمالی
• 72. نظریه بیز و استنتاج بیزی
• 73. مدل‌های گرافیکی احتمالی
• 74. شبکه‌های بیزی
• 75. کاربرد شبکه‌های بیزی
• 76. آموزش مدل‌های گرافیکی
• 77. مبانی یادگیری نیمه‌نظارتی
• 78. ترکیب داده‌های برچسب‌دار و بدون برچسب
• 79. روش‌های یادگیری نیمه‌نظارتی
• 80. کاربرد یادگیری نیمه‌نظارتی
• 81. مباحث پیشرفته در یادگیری ماشین
• 82. یادگیری انتقالی (Transfer Learning)
• 83. فراگیری چندوظیفه‌ای (Multi-task Learning)
• 84. یادگیری جمعی (Ensemble Learning)
• 85. تقویت (Boosting) و Bagging
• 86. مدل‌های پیشرفته شبکه‌های عصبی
• 87. شبکه‌های مولد تخاصمی (GANs)
• 88. کاربرد GANs در تولید داده
• 89. مباحث اخلاقی در هوش مصنوعی
• 90. سوگیری در الگوریتم‌ها
• 91. عدالت و شفافیت در هوش مصنوعی
• 92. تأثیر هوش مصنوعی بر جامعه
• 93. آینده یادگیری ماشین و هوش مصنوعی
• 94. پژوهش در حوزه یادگیری ماشین سازگار
• 95. توسعه مدل‌های بومی و اسلامی
• 96. جمع‌بندی و چشم‌انداز آینده