فلش‌کارت‌های آموزشی یادگیری ماشین کاربردی: از داده تا راه‌حل‌های هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین کاربردی: از داده تا راه‌حل‌های هوشمند

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و پیاده‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. جمع‌آوری و آماده‌سازی داده‌ها برای یادگیری ماشین
• 3. پیش‌پردازش داده‌ها: پاکسازی و تبدیل
• 4. مهندسی ویژگی: استخراج ویژگی‌های مؤثر
• 5. انتخاب ویژگی: کاهش ابعاد و بهبود مدل
• 6. مدل‌های یادگیری نظارت‌شده: رگرسیون خطی
• 7. مدل‌های یادگیری نظارت‌شده: رگرسیون لجستیک
• 8. مدل‌های یادگیری نظارت‌شده: درخت‌های تصمیم‌گیری
• 9. مدل‌های یادگیری نظارت‌شده: جنگل تصادفی
• 10. مدل‌های یادگیری نظارت‌شده: ماشین‌های بردار پشتیبان
• 11. ارزیابی مدل‌های رگرسیون
• 12. ارزیابی مدل‌های طبقه‌بندی
• 13. بیش‌برازش و کم‌برازش: تشخیص و رفع
• 14. تنظیم هایپرپارامترها: بهینه‌سازی مدل
• 15. اعتبارسنجی متقابل: ارزیابی دقیق‌تر مدل
• 16. مدل‌های یادگیری غیرنظارت‌شده: خوشه‌بندی K-means
• 17. مدل‌های یادگیری غیرنظارت‌شده: تحلیل مولفه‌های اصلی
• 18. کاهش ابعاد: تکنیک‌های پیشرفته
• 19. یادگیری تقویتی: مفاهیم پایه
• 20. شبکه‌های عصبی: معرفی و مبانی
• 21. شبکه‌های عصبی: پرسپترون چندلایه
• 22. شبکه‌های عصبی: تابع فعال‌سازی و بهینه‌سازها
• 23. شبکه‌های عصبی: پس‌انتشار خطا
• 24. شبکه‌های عصبی کانولوشنال: پردازش تصویر
• 25. شبکه‌های عصبی بازگشتی: پردازش زبان طبیعی
• 26. پردازش تصویر با یادگیری ماشین
• 27. پردازش زبان طبیعی با یادگیری ماشین
• 28. یادگیری ماشین در تشخیص تقلب
• 29. یادگیری ماشین در پیش‌بینی تقاضا
• 30. یادگیری ماشین در سیستم‌های توصیه‌گر
• 31. کاربرد یادگیری ماشین در تشخیص پزشکی
• 32. یادگیری ماشین در تحلیل احساسات
• 33. یادگیری ماشین در تشخیص الگو
• 34. یادگیری ماشین و داده‌های سری زمانی
• 35. مدل‌سازی سری زمانی با ARIMA
• 36. مدل‌سازی سری زمانی با LSTM
• 37. بهینه‌سازی مدل‌های یادگیری ماشین
• 38. استقرار مدل‌های یادگیری ماشین
• 39. مدیریت چرخه حیات مدل
• 40. مقیاس‌پذیری مدل‌های یادگیری ماشین
• 41. یادگیری ماشین در فضای ابری
• 42. انتخاب ابزار و پلتفرم مناسب
• 43. آشنایی با کتابخانه‌های پایتون برای یادگیری ماشین
• 44. استفاده از Scikit-learn برای مدل‌سازی
• 45. استفاده از TensorFlow برای شبکه‌های عصبی
• 46. استفاده از Keras برای ساخت سریع مدل
• 47. استفاده از PyTorch برای تحقیقات یادگیری ماشین
• 48. مفاهیم احتمال و آمار در یادگیری ماشین
• 49. جبر خطی برای یادگیری ماشین
• 50. محاسبات دیفرانسیل و انتگرال در یادگیری ماشین
• 51. آشنایی با پایگاه‌های داده و SQL
• 52. مهندسی داده برای یادگیری ماشین
• 53. پاکسازی داده‌های متنی
• 54. تحلیل داده‌های بزرگ با Spark
• 55. یادگیری ماشین خودکار (AutoML)
• 56. تفسیرپذیری مدل‌های یادگیری ماشین
• 57. عدالت و سوگیری در یادگیری ماشین
• 58. امنیت مدل‌های یادگیری ماشین
• 59. مباحث اخلاقی در یادگیری ماشین
• 60. بهبود عملکرد مدل با استفاده از ensemble methods
• 61. یادگیری نیمه‌نظارتی
• 62. یادگیری انتقالی
• 63. یادگیری فعال
• 64. یادگیری ماشین فشرده
• 65. کار با داده‌های نامتوازن
• 66. تشخیص ناهنجاری
• 67. مدل‌سازی گراف
• 68. یادگیری ماشین و اینترنت اشیا
• 69. کاربردهای یادگیری ماشین در کشاورزی
• 70. کاربردهای یادگیری ماشین در صنعت
• 71. کاربردهای یادگیری ماشین در حوزه مالی
• 72. یادگیری ماشین و بازاریابی
• 73. یادگیری ماشین و بهداشت و درمان
• 74. یادگیری ماشین و حمل و نقل
• 75. یادگیری ماشین و انرژی
• 76. استفاده از یادگیری ماشین در رباتیک
• 77. آینده یادگیری ماشین و روندهای نوظهور
• 78. پروژه‌های عملی یادگیری ماشین: مطالعه موردی