فلش‌کارت‌های آموزشی رؤیای هوش مصنوعی محدود: پارادایم‌های یادگیری نظارتی از مبانی تا کاربرد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رؤیای هوش مصنوعی محدود: پارادایم‌های یادگیری نظارتی از مبانی تا کاربرد

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری نظارتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی محدود و یادگیری نظارتی
• 2. تاریخچه و تحول پارادایم‌های نظارتی
• 3. مفاهیم پایه یادگیری ماشین و اصطلاحات کلیدی
• 4. تفاوت یادگیری نظارتی، غیرنظارتی و تقویتی
• 5. انواع داده‌ها: برچسب‌دار، ناقص و متوازن
• 6. دورهٔ یادگیری: آموزش، اعتبارسنجی و آزمون
• 7. ویژگی‌ها و برچسب‌ها: ساختار ورودی و خروجی مدل
• 8. اصول تعمیم‌پذیری و خطای عمومی
• 9. ازدحام مدل و خطای زیربرازش
• 10. بی‌سوادی مدل و خطای بیش‌برازش
• 11. رگرسیون خطی و فرضیات آن
• 12. رگرسیون چندگانه و انتخاب ویژگی
• 13. رگرسیون چندجمله‌ای و تعامل ویژگی‌ها
• 14. رگرسیون ریج و لاسو و تنظیم‌وزن
• 15. رگرسیون الاستیک نت و ترکیب تنظیم
• 16. رگرسیون محلی و سایش غیرپارامتری
• 17. رگرسیون بوست و ادریسین
• 18. طبقه‌بندی دودویی و چندکلاسه
• 19. تابع هزینه و گرادیان کاهشی
• 20. الگوریتم k-nearest neighbors
• 21. درخت تصمیم: ساختار و معیار تقسیم
• 22. پیش‌خور درخت تصمیم و هرس
• 23. جنگل تصادفی و آنsemble درختی
• 24. الگوریتم Naive Bayes و احتمالی
• 25. ماشین بردار پشتیبان خطی و هندهٔ سخت
• 26. ماشین بردار پشتیبان غیرخطی و کرنل
• 27. بهینه‌سازی در SVM و هندهٔ نرم
• 28. شبکه‌های عصبی پرسلپترون و حداقل مربعی
• 29. شبکه‌های عصبی چندلایه و معماری
• 30. تابع فعال‌سازی و انتخاب آن
• 31. پس‌انتشار و قاعدهٔ زنجیره‌ای
• 32. بهینه‌سازی ADAM و تنظیم نرخ یادگیری
• 33. شبکه‌های کانولوشنی CNN برای تصویر
• 34. شبکه‌های بازگشتی RNN و LSTM برای متن
• 35. مکانیزم Attention و مدل‌های Transformer
• 36. ماتریس درهم‌ریختگی و معیارهای دقیق
• 37. دقت، بازخوردی، بازیابی و F1
• 38. منحنی ROC و AUC در ارزیابی مدل
• 39. تحلیل منحنی دقت-بازیابی
• 40. اعتبارسنجی متقاطع K-Fold و تکراری
• 41. Grid Search و Random Search برای فوق‌پارامترها
• 42. تنظیم فوق‌پارامترها و پایان‌دهی زودهنگام
• 43. تقویت داده و افزایش نمونهٔ آموزشی
• 44. انتخاب ویژگی و روش‌های کاهش بُعد
• 45. اصلاح کلاس‌نبضی و وزن‌دهی نمونه‌ها
• 46. یادگیری ترکیبی و روش‌های آنsemble
• 47. XGBoost و LightGBM در عمل
• 48. یادگیری منتقل و فاین‌تیونینگ مدل‌ها
• 49. یادگیری چندوجهی و چندگانه
• 50. مدل‌های ترکیبی و Stacking
• 51. یادگیری نیمه‌نظارتی و یادگیری فعال
• 52. مدل‌های گاوسی پروسس و مخلوط گوسی
• 53. رگرسیون منطقی و درختی برای طبقه‌بندی
• 54. کدگذاری خطا و دیکدینگ در طبقه‌بندی
• 55. یادگیری چندنمونه‌ای و چندخروجی
• 56. آماده‌سازی و پاکسازی دادهٔ خام
• 57. کدگذاری متغیرهای دسته‌ای و مقیاس‌گذاری
• 58. مدیریت داده‌های گمشده و نویز
• 59. پیش‌پردازش متن برای طبقه‌بندی
• 60. استخراج ویژگی از تصویر و سیگنال
• 61. پایپ‌لاین یادگیری ماشین و ابزارهای استاندارد
• 62. پیاده‌سازی با Scikit-learn
• 63. پیاده‌سازی با TensorFlow/Keras
• 64. پیاده‌سازی با PyTorch
• 65. پیاده‌سازی با XGBoost و LightGBM
• 66. ارزیابی عملکرد در داده‌های واقعی و تغییرپذیری
• 67. تفسیر مدل و قابلیت توضیح‌پذیری
• 68. SHAP و LIME برای تفسیر خروجی
• 69. اخلاق یادگیری نظارتی و سوگیری داده
• 70. عدالت مدل و کاهش تبعیض
• 71. پنهان‌کاری و حریم خصوصی در دادهٔ آموزشی
• 72. پیاده‌سازی API و دیپلوی مدل
• 73. MLOps و مدیریت چرخهٔ عمر مدل
• 74. رصد، بازآموزی و به‌روزرسانی مدل
• 75. تشخیص تصویر و پژوهشگر بینایی ماشین
• 76. تشخیص متن و طبقه‌بندی احساسات
• 77. تشخیص صدا و گفتار و تبدیل گفتار به متن
• 78. تشخیص تقلب و رفتار مشکوک در مالی
• 79. پیش‌بینی سرمایه‌گذاری و بازار سهام
• 80. پیش‌بینی بیماری و تشخیص پزشکی
• 81. پیش‌بینی ریزش و نگهداری پیش‌بینانه صنعتی
• 82. تشخیص نویسه و OCR هوشمند
• 83. سیستم توصیه‌گر مبتنی بر نظارتی
• 84. کشف ساختار در شبکه‌های اجتماعی
• 85. تشخیص آنومالی نظارتی
• 86. مدل‌سازی زنجیرهٔ زمانی و پیش‌بینی سری زمانی
• 87. تشخیص رویداد و هشداردهی زمان واقع
• 88. بازیابی اطلاعات و رتبه‌بندی سند
• 89. نمایه‌سازی خودکار و تگ‌گذاری محتوا
• 90. ترجمه ماشینی نظارتی و خلاصه‌سازی متن