فلش‌کارت‌های آموزشی شمارش و احتمال: پایه‌های ریاضی هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شمارش و احتمال: پایه‌های ریاضی هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مفاهیم احتمالات و آمار در هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شمارش و احتمال در هوش مصنوعی
• 2. اصول شمارش: اصل ضرب و اصل جمع
• 3. ترکیبیات: جایگشت‌ها
• 4. ترکیبیات: ترکیب‌ها
• 5. قانون شمول و عدم شمول
• 6. اصل لانه کبوتری
• 7. مقدمه‌ای بر نظریه احتمال
• 8. فضای نمونه و پیشامدها
• 9. قوانین احتمال: احتمال اشتراک و اجتماع
• 10. احتمال شرطی
• 11. قاعده بیز
• 12. استقلال پیشامدها
• 13. متغیرهای تصادفی گسسته
• 14. توزیع احتمال گسسته
• 15. امید ریاضی و واریانس
• 16. توزیع دوجمله‌ای
• 17. توزیع پواسون
• 18. توزیع هندسی
• 19. توزیع فوق هندسی
• 20. متغیرهای تصادفی پیوسته
• 21. تابع چگالی احتمال
• 22. تابع توزیع تجمعی
• 23. امید ریاضی و واریانس برای متغیرهای پیوسته
• 24. توزیع یکنواخت پیوسته
• 25. توزیع نمایی
• 26. توزیع نرمال (گوسی)
• 27. قضیه حد مرکزی
• 28. مقدمه‌ای بر زنجیره‌های مارکوف
• 29. عملیات روی زنجیره‌های مارکوف
• 30. حالت‌های گذار و ماتریس گذار
• 31. توزیع حالت پایدار
• 32. کاربرد زنجیره‌های مارکوف در مدل‌سازی
• 33. مقدمه‌ای بر استنتاج آماری
• 34. برآوردگرها و خواص آن‌ها
• 35. بازه اطمینان
• 36. آزمون فرض آماری
• 37. آزمون t
• 38. آزمون کای دو
• 39. رگرسیون خطی ساده
• 40. رگرسیون خطی چندگانه
• 41. مقدمه‌ای بر یادگیری ماشینی
• 42. نقش احتمالات در یادگیری ماشینی
• 43. مدل‌های احتمالی برای طبقه‌بندی
• 44. قانون بیز برای طبقه‌بندی
• 45. نایوب بیز
• 46. مدل‌های تولیدی در مقابل مدل‌های تمایزی
• 47. مدل‌های پنهان مارکوف (HMM)
• 48. کاربرد HMM در پردازش زبان طبیعی
• 49. کاربرد HMM در تشخیص گفتار
• 50. مقدمه‌ای بر شبکه‌های بیز
• 51. ساختمان شبکه‌های بیز
• 52. استنتاج در شبکه‌های بیز
• 53. یادگیری شبکه‌های بیز
• 54. شبکه‌های بیز برای مدل‌سازی عدم قطعیت
• 55. شبکه‌های بیز در سیستم‌های توصیه‌گر
• 56. شبکه‌های بیز در تشخیص پزشکی
• 57. مقدمه‌ای بر تحلیل سری‌های زمانی
• 58. مدل‌های ARIMA
• 59. مدل‌های GARCH
• 60. کاربرد تحلیل سری زمانی در امور مالی
• 61. کاربرد تحلیل سری زمانی در پیش‌بینی آب و هوا
• 62. مقدمه‌ای بر بهینه‌سازی احتمالی
• 63. مسائل بهینه‌سازی تصادفی
• 64. روش‌های حل مسائل بهینه‌سازی احتمالی
• 65. کاربرد بهینه‌سازی احتمالی در مدیریت ریسک
• 66. کاربرد بهینه‌سازی احتمالی در تخصیص منابع
• 67. مقدمه‌ای بر شبیه‌سازی مونت کارلو
• 68. تولید اعداد تصادفی
• 69. پیاده‌سازی شبیه‌سازی مونت کارلو
• 70. کاربرد شبیه‌سازی مونت کارلو در ارزیابی ریسک
• 71. کاربرد شبیه‌سازی مونت کارلو در بهینه‌سازی
• 72. مقدمه‌ای بر نظریه بازی‌ها
• 73. مفاهیم پایه در نظریه بازی‌ها
• 74. تعادل نش
• 75. بازی‌های جمع صفر
• 76. کاربرد نظریه بازی‌ها در اقتصاد
• 77. کاربرد نظریه بازی‌ها در علوم سیاسی
• 78. مقدمه‌ای بر پردازش سیگنال احتمالی
• 79. فیلتر کالمن
• 80. فیلتر بیز
• 81. کاربرد فیلتر کالمن در رباتیک
• 82. کاربرد فیلتر کالمن در ناوبری
• 83. مقدمه‌ای بر یادگیری تقویتی
• 84. مفاهیم پایه در یادگیری تقویتی
• 85. الگوریتم‌های یادگیری تقویتی
• 86. شبکه‌های عصبی و یادگیری تقویتی
• 87. کاربرد یادگیری تقویتی در بازی‌ها
• 88. کاربرد یادگیری تقویتی در رباتیک
• 89. کاربرد یادگیری تقویتی در سیستم‌های خودکار
• 90. مقدمه‌ای بر یادگیری عمیق
• 91. شبکه‌های عصبی کانولوشنال (CNN)
• 92. شبکه‌های عصبی بازگشتی (RNN)
• 93. کاربرد یادگیری عمیق در بینایی ماشین
• 94. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 95. کاربرد یادگیری عمیق در سیستم‌های توصیه‌گر
• 96. مباحث پیشرفته در شمارش و احتمال
• 97. کاربرد نهایی شمارش و احتمال در هوش مصنوعی
• 98. مروری بر روش‌های آماری در هوش مصنوعی
• 99. تکنیک‌های پیشرفته مدل‌سازی احتمالی
• 100. پروژه‌های عملی با استفاده از مفاهیم آماری