فلش‌کارت‌های آموزشی یادگیری ماشین: الگوهای آشکار

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین: الگوهای آشکار

موضوع کلی: هوش و تکامل

موضوع میانی: تشخیص الگوهای پنهان در داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. آشنایی با یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، نیمه‌نظارت شده
• 4. مجموعه‌های داده و پیش پردازش داده‌ها
• 5. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 6. مقدمه‌ای بر رگرسیون خطی
• 7. رگرسیون چندگانه
• 8. مفاهیم آماری در رگرسیون
• 9. بررسی مفروضات رگرسیون خطی
• 10. انتخاب ویژگی‌ها در رگرسیون خطی
• 11. مقدمه‌ای بر درخت‌های تصمیم‌گیری
• 12. ساخت درخت‌های تصمیم‌گیری
• 13. ارزیابی درخت‌های تصمیم‌گیری
• 14. افزایش دقت درخت‌های تصمیم‌گیری
• 15. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 16. هسته‌ها در ماشین‌های بردار پشتیبان
• 17. کاربرد SVM در طبقه‌بندی
• 18. تنظیم پارامترهای SVM
• 19. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 20. ساخت شبکه‌های عصبی ساده
• 21. توابع فعال‌سازی در شبکه‌های عصبی
• 22. بهینه‌سازی شبکه‌های عصبی با گرادیان نزولی
• 23. مقدمه‌ای بر خوشه‌بندی
• 24. الگوریتم‌های خوشه‌بندی K-means
• 25. ارزیابی کیفیت خوشه‌بندی
• 26. کاربرد خوشه‌بندی در تحلیل داده‌ها
• 27. مقدمه‌ای بر کاهش ابعاد داده‌ها
• 28. تحلیل مولفه‌های اصلی (PCA)
• 29. کاربرد PCA در تصویربرداری و داده‌های متنی
• 30. مقدمه‌ای بر یادگیری تقویتی
• 31. مفاهیم پایه یادگیری تقویتی
• 32. الگوریتم Q-learning
• 33. کاربرد یادگیری تقویتی در بازی‌ها و رباتیک
• 34. مقدمه‌ای بر مدل‌های بیزی
• 35. قضیه بیز و کاربرد آن در یادگیری ماشین
• 36. شبکه‌های بیزی
• 37. مقدمه‌ای بر یادگیری نیمه‌نظارت شده
• 38. کاربرد یادگیری نیمه‌نظارت شده در داده‌های نامتعادل
• 39. مقدمه‌ای بر یادگیری تعمیق شده
• 40. شبکه‌های کانولوشنال (CNN) برای پردازش تصویر
• 41. شبکه‌های بازگشتی (RNN) برای پردازش متن
• 42. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 43. مدل‌های زبانی و توکن‌سازی متن
• 44. مقدمه‌ای بر یادگیری ماشین توزیع شده
• 45. چارچوب‌های یادگیری ماشین توزیع شده مانند Spark MLlib