فلش‌کارت‌های آموزشی مروری بر ریشه‌های هوش مصنوعی: از مفاهیم اولیه تا تولد الگوریتم‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مروری بر ریشه‌های هوش مصنوعی: از مفاهیم اولیه تا تولد الگوریتم‌ها

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: تاریخچه هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و تاریخچه آن
• 2. تعریف هوش مصنوعی و زیرشاخه‌های آن
• 3. مفاهیم اولیه منطق و استدلال در هوش مصنوعی
• 4. نظریه بازی‌ها و کاربرد آن در هوش مصنوعی
• 5. مفاهیم پایه جبر خطی برای هوش مصنوعی
• 6. مبانی احتمال و آمار برای هوش مصنوعی
• 7. نظریه اطلاعات و کاربرد آن در هوش مصنوعی
• 8. مقدمه‌ای بر یادگیری ماشین
• 9. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 10. الگوریتم‌های یادگیری نظارت شده: رگرسیون خطی
• 11. الگوریتم‌های یادگیری نظارت شده: رگرسیون لجستیک
• 12. ماشین‌های بردار پشتیبان (SVM)
• 13. درختان تصمیم
• 14. جنگل‌های تصادفی
• 15. یادگیری مبتنی بر همسایگان نزدیک (KNN)
• 16. تشخیص الگو و طبقه‌بندی
• 17. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 18. ساختار شبکه‌های عصبی پرسپترون چند لایه
• 19. توابع فعال‌سازی در شبکه‌های عصبی
• 20. پس‌انتشار خطا (Backpropagation)
• 21. بهینه‌سازی پارامترهای شبکه‌های عصبی
• 22. گرادیان کاهشی و انواع آن
• 23. نرخ یادگیری و تنظیم آن
• 24. نکات مهم در آموزش شبکه‌های عصبی
• 25. شبکه‌های عصبی کانولوشنال (CNN)
• 26. کاربرد CNN در پردازش تصویر
• 27. شبکه‌های عصبی بازگشتی (RNN)
• 28. کاربرد RNN در پردازش زبان طبیعی
• 29. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 30. شبکه‌های حافظه کوتاه مدت (GRU)
• 31. یادگیری بدون نظارت: خوشه‌بندی
• 32. الگوریتم K-Means
• 33. خوشه‌بندی سلسله مراتبی
• 34. تحلیل مولفه‌های اصلی (PCA)
• 35. کاهش ابعاد داده‌ها
• 36. مقدمه‌ای بر یادگیری تقویتی
• 37. عناصر یادگیری تقویتی: عامل، محیط، پاداش
• 38. یادگیری تقویتی مبتنی بر ارزش
• 39. یادگیری تقویتی مبتنی بر سیاست
• 40. الگوریتم Q-Learning
• 41. الگوریتم SARSA
• 42. شبکه‌های عصبی عمیق (Deep Neural Networks)
• 43. مفاهیم اساسی یادگیری عمیق
• 44. معماری‌های پیشرفته شبکه‌های عصبی
• 45. یادگیری انتقالی (Transfer Learning)
• 46. تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌دیده
• 47. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 48. یادگیری فدرال (Federated Learning)
• 49. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 50. نمایش متون: کیسه کلمات (Bag of Words)
• 51. نمایش متون: TF-IDF
• 52. گنجاندن کلمات (Word Embeddings)
• 53. Word2Vec و GloVe
• 54. مدل‌های زبانی مبتنی بر ترنسفورمر
• 55. ترنسفورمرها و مکانیزم توجه (Attention)
• 56. مدل‌های BERT و GPT
• 57. کاربرد NLP در تحلیل احساسات
• 58. ترجمه ماشینی
• 59. خلاصه‌سازی متن
• 60. تولید متن
• 61. مقدمه‌ای بر بینایی ماشین
• 62. پردازش و تحلیل تصاویر
• 63. تشخیص اشیاء
• 64. تقسیم‌بندی تصاویر (Image Segmentation)
• 65. تشخیص چهره
• 66. تولید تصویر
• 67. مقدمه‌ای بر رباتیک و هوش مصنوعی
• 68. برنامه‌ریزی حرکت ربات‌ها
• 69. ناوبری ربات‌ها
• 70. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 71. فیلترسازی مشارکتی (Collaborative Filtering)
• 72. فیلترسازی مبتنی بر محتوا (Content-based Filtering)
• 73. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 74. اخلاق در هوش مصنوعی
• 75. سوگیری در الگوریتم‌های هوش مصنوعی
• 76. شفافیت و قابلیت تفسیر در هوش مصنوعی
• 77. مسئولیت‌پذیری در هوش مصنوعی
• 78. امنیت و حریم خصوصی در هوش مصنوعی
• 79. کاربردهای هوش مصنوعی در صنعت
• 80. کاربردهای هوش مصنوعی در سلامت
• 81. کاربردهای هوش مصنوعی در آموزش
• 82. کاربردهای هوش مصنوعی در مالی
• 83. کاربردهای هوش مصنوعی در حمل و نقل
• 84. مقدمه‌ای بر هوش مصنوعی مولد
• 85. مفاهیم پایه هوش مصنوعی مولد
• 86. شبکه‌های مولد تخاصمی (GANs)
• 87. مدل‌های انتشار (Diffusion Models)
• 88. کاربرد هوش مصنوعی مولد در هنر
• 89. کاربرد هوش مصنوعی مولد در طراحی
• 90. کاربرد هوش مصنوعی مولد در توسعه نرم‌افزار
• 91. مباحث پیشرفته در هوش مصنوعی
• 92. هوش مصنوعی توزیع شده
• 93. یادگیری از داده‌های محدود (Few-shot Learning)
• 94. یادگیری تقویتی عمیق پیشرفته
• 95. تکنیک‌های مدل‌سازی علّی
• 96. تفسیرپذیری مدل‌های یادگیری عمیق
• 97. یادگیری خودنظارتی (Self-supervised Learning)
• 98. مباحث نوین در هوش مصنوعی
• 99. آینده هوش مصنوعی و چالش‌های پیش رو
• 100. هوش مصنوعی عمومی (AGI)