فلش‌کارت‌های آموزشی الگوریتم‌های یادگیری ماشین: مقدمه‌ای کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم‌های یادگیری ماشین: مقدمه‌ای کاربردی

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: مبانی تفکر الگوریتمی و حل مسئله

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. انواع یادگیری ماشین: نظارت شده، بدون نظارت، نیمه نظارت شده
• 3. یادگیری نظارت شده: رگرسیون خطی و چندگانه
• 4. مفاهیم پایه رگرسیون: خطا، هزینه، گرادیان کاهشی
• 5. ارزیابی مدل‌های رگرسیون: MSE، RMSE، R-squared
• 6. رگرسیون چندجمله‌ای و بیش‌برازش (Overfitting)
• 7. تنظیم‌سازی (Regularization) در رگرسیون: L1 و L2
• 8. یادگیری نظارت شده: طبقه‌بندی باینری
• 9. الگوریتم لجستیک رگرسیون
• 10. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، فراخوانی، F1-score
• 11. منحنی ROC و AUC
• 12. یادگیری نظارت شده: طبقه‌بندی چند کلاسه
• 13. ماشین‌های بردار پشتیبان (SVM)
• 14. درخت‌های تصمیم‌گیری
• 15. جنگل‌های تصادفی (Random Forest)
• 16. یادگیری بدون نظارت: خوشه‌بندی K-means
• 17. تعیین تعداد خوشه‌ها با روش Elbow
• 18. تحلیل مولفه‌های اصلی (PCA) و کاهش ابعاد
• 19. ارزیابی خوشه‌بندی: Silhouette Score
• 20. مقدمه‌ای بر شبکه‌های عصبی
• 21. پرceptron
• 22. شبکه‌های عصبی چندلایه (MLP)
• 23. تابع فعال‌سازی (Activation Function)
• 24. انتشار پس‌رو (Backpropagation)
• 25. بهینه‌سازها (Optimizers): Gradient Descent، Adam
• 26. یادگیری عمیق (Deep Learning) و کاربردها
• 27. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 28. انتخاب ویژگی (Feature Selection)
• 29. مهندسی ویژگی (Feature Engineering)
• 30. پیش‌پردازش داده‌ها: نرمال‌سازی و استانداردسازی
• 31. مدیریت داده‌های از دست رفته
• 32. شناسایی و مقابله با داده‌های پرت (Outliers)
• 33. اعتبارسنجی متقابل (Cross-Validation)
• 34. بیش‌برازش و کم‌برازش (Underfitting)
• 35. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 36. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 37. کاربرد یادگیری ماشین در بینایی ماشین (Computer Vision)
• 38. مقدمه‌ای بر سیستم‌های توصیه‌گر (Recommender Systems)
• 39. یادگیری ماشین قابل تفسیر (Explainable AI)
• 40. اخلاق در یادگیری ماشین و سوگیری (Bias)