فلش‌کارت‌های آموزشی شفافیت و توضیح‌پذیری در مدل‌های هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شفافیت و توضیح‌پذیری در مدل‌های هوش مصنوعی

موضوع کلی: فناوری اطلاعات و علوم داده

موضوع میانی: AI Ethical Considerations

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. الگوریتم‌های پایه‌ای یادگیری ماشین
• 3. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 4. داده‌ها و پیش‌پردازش آن‌ها در یادگیری ماشین
• 5. ارزیابی و اعتبارسنجی مدل‌های یادگیری ماشین
• 6. بیش‌برازش و کم‌برازش در مدل‌ها
• 7. تنظیم پارامترهای مدل‌های یادگیری ماشین
• 8. روش‌های کاهش ابعاد داده
• 9. خوشه‌بندی داده‌ها با استفاده از الگوریتم‌های مختلف
• 10. دسته‌بندی داده‌ها: الگوریتم‌ها و کاربردها
• 11. رگرسیون خطی و چندگانه
• 12. درخت‌های تصمیم‌گیری و جنگل تصادفی
• 13. ماشین‌های بردار پشتیبان (SVM)
• 14. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 15. شبکه‌های عصبی بازگشتی (RNN) برای پردازش زبان طبیعی
• 16. پردازش زبان طبیعی (NLP) و کاربردهای آن
• 17. مدل‌های زبانی بزرگ (LLM) و معماری آن‌ها
• 18. تکنیک‌های تولید متن با استفاده از مدل‌های زبانی
• 19. خلاصه‌سازی متن خودکار
• 20. ترجمه ماشینی
• 21. تحلیل احساسات در متن
• 22. تشخیص موجودیت‌های نام‌گذاری شده (NER)
• 23. پرسش و پاسخ خودکار
• 24. تولید تصویر با استفاده از هوش مصنوعی
• 25. تشخیص اشیاء در تصاویر
• 26. بخش‌بندی تصاویر
• 27. تفسیرپذیری مدل‌های یادگیری ماشین
• 28. روش‌های بصری‌سازی برای درک مدل‌ها
• 29. اهمیت ویژگی‌ها و انتخاب ویژگی
• 30. روش‌های توضیح‌دهی محلی (LIME)
• 31. روش‌های توضیح‌دهی سراسری (SHAP)
• 32. تأثیر داده‌های آموزشی بر تفسیرپذیری مدل
• 33. ارزیابی انصاف و سوگیری در مدل‌های هوش مصنوعی
• 34. روش‌های کاهش سوگیری در داده‌ها و مدل‌ها
• 35. حریم خصوصی داده‌ها و یادگیری فدرال
• 36. تطبیق مدل‌ها با تغییرات داده
• 37. نظارت بر عملکرد مدل در طول زمان
• 38. به‌روزرسانی و بازآموزی مدل‌ها
• 39. استفاده از هوش مصنوعی در تشخیص تقلب
• 40. کاربرد هوش مصنوعی در حوزه سلامت
• 41. کاربرد هوش مصنوعی در امور مالی
• 42. کاربرد هوش مصنوعی در صنعت خودروسازی
• 43. اخلاق در هوش مصنوعی و مسئولیت‌پذیری
• 44. چالش‌های حقوقی هوش مصنوعی
• 45. آینده هوش مصنوعی و روندهای نوظهور