فلش‌کارت‌های آموزشی یادگیری فعال بیزی عمیق: انتخاب داده‌های هوشمندانه

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری فعال بیزی عمیق: انتخاب داده‌های هوشمندانه

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: یادگیری عمیق بیزی (Bayesian Deep Learning)

📋 سرفصل‌های دوره

• 1. آشنایی با یادگیری فعال
• 2. مبانی احتمالات و آمار برای یادگیری فعال
• 3. مقدمه‌ای بر یادگیری ماشین
• 4. شبکه‌های عصبی عمیق: اصول پایه
• 5. معماری‌های رایج شبکه‌های عصبی
• 6. توابع فعال‌سازی و نقش آن‌ها
• 7. بهینه‌سازی گرادیان کاهشی
• 8. انتخاب داده‌های آموزشی: اهمیت و چالش‌ها
• 9. روش‌های نمونه‌برداری تصادفی
• 10. نمونه‌برداری هدفمند: معرفی
• 11. معیارهای عدم قطعیت در یادگیری فعال
• 12. کمی‌سازی عدم قطعیت: روش‌های مختلف
• 13. انتخاب داده بر اساس عدم قطعیت
• 14. یادگیری فعال مبتنی بر کمیته
• 15. یادگیری فعال با پرسش‌های گروهی
• 16. یادگیری فعال با استفاده از مدل‌های تولیدی
• 17. یادگیری فعال در داده‌های نامتوازن
• 18. استفاده از یادگیری تقویتی در یادگیری فعال
• 19. انتخاب ویژگی در یادگیری فعال
• 20. کاهش ابعاد داده‌ها برای یادگیری فعال
• 21. یادگیری فعال نیمه نظارتی
• 22. استفاده از دانش قبلی در یادگیری فعال
• 23. یادگیری فعال چند برچسبی
• 24. یادگیری فعال در داده‌های متنی
• 25. یادگیری فعال در تصاویر
• 26. یادگیری فعال در داده‌های صوتی
• 27. یادگیری فعال در داده‌های سری زمانی
• 28. یادگیری فعال در داده‌های گراف
• 29. ارزیابی عملکرد یادگیری فعال
• 30. مقایسه روش‌های یادگیری فعال
• 31. تنظیم پارامترهای یادگیری فعال
• 32. پیاده‌سازی یادگیری فعال با استفاده از پایتون
• 33. استفاده از کتابخانه‌های یادگیری ماشین در یادگیری فعال
• 34. بهینه‌سازی عملکرد یادگیری فعال
• 35. مراحل عملی پیاده‌سازی یک سیستم یادگیری فعال
• 36. چالش‌های پیاده‌سازی یادگیری فعال
• 37. روش‌های کاهش هزینه برچسب‌گذاری
• 38. استفاده از یادگیری فعال در کاربردهای واقعی
• 39. یادگیری فعال در تشخیص پزشکی
• 40. یادگیری فعال در تشخیص تقلب
• 41. یادگیری فعال در سیستم‌های توصیه‌گر
• 42. یادگیری فعال در پردازش زبان طبیعی
• 43. بررسی موردی: یک پروژه یادگیری فعال
• 44. آینده یادگیری فعال و تحقیقات مرتبط
• 45. تکنیک‌های پیشرفته در یادگیری فعال