کتاب صوتی از ماشین‌های بول به یادگیری ماشین: درک عمیق مدل‌های پردازش اطلاعات

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از ماشین‌های بول به یادگیری ماشین: درک عمیق مدل‌های پردازش اطلاعات

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی تئوری و پیاده‌سازی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. از ماشین‌های بول به یادگیری ماشین: درک عمیق مدل‌های پردازش اطلاعات
• 2. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 3. تاریخچه مختصری از هوش مصنوعی
• 4. فلسفه و اخلاق در هوش مصنوعی
• 5. مفاهیم اساسی در یادگیری ماشین: داده، مدل، آموزش
• 6. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 7. آشنایی با کتاب The BAL machine و رویکرد آن
• 8. سیستم‌های پردازش اطلاعات الهام‌گرفته از مغز
• 9. نورون‌ها و شبکه‌های عصبی زیستی
• 10. مفاهیم اساسی منطق بول و دروازه‌های منطقی
• 11. معرفی به جبر بول و توابع بول
• 12. پیاده‌سازی دروازه‌های منطقی با استفاده از ترانزیستورها
• 13. مدارهای ترکیبی و ترتیبی
• 14. از منطق بول تا شبکه‌های عصبی مصنوعی: یک مقایسه
• 15. ساختارهای داده و الگوریتم‌های پایه در یادگیری ماشین
• 16. مبانی ریاضیات مورد نیاز برای یادگیری ماشین: جبر خطی
• 17. مبانی ریاضیات مورد نیاز برای یادگیری ماشین: حسابان
• 18. مبانی ریاضیات مورد نیاز برای یادگیری ماشین: آمار و احتمال
• 19. معرفی پایتون و کتابخانه‌های ضروری یادگیری ماشین (NumPy, Pandas)
• 20. مقدمه‌ای بر کتابخانه scikit-learn
• 21. مقدمه‌ای بر تنسورفلو و کراس
• 22. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی
• 23. پیش‌پردازش داده‌ها: نرمال‌سازی و مقیاس‌بندی
• 24. پیش‌پردازش داده‌ها: مهندسی ویژگی‌ها
• 25. انتخاب ویژگی و کاهش ابعاد
• 26. ارزیابی مدل: معیارهای ارزیابی و اعتبارسنجی
• 27. ارزیابی مدل: تقاطع متقابل (Cross-Validation)
• 28. مقدمه‌ای بر یادگیری نظارت‌شده: رگرسیون
• 29. رگرسیون خطی: تئوری و پیاده‌سازی
• 30. رگرسیون چندگانه: تئوری و پیاده‌سازی
• 31. رگرسیون لجستیک: تئوری و پیاده‌سازی
• 32. دسته‌بندی: معیارهای ارزیابی و انتخاب مدل
• 33. دسته‌بندی: درخت تصمیم و جنگل تصادفی
• 34. دسته‌بندی: ماشین بردار پشتیبان (SVM)
• 35. یادگیری بدون نظارت: خوشه‌بندی
• 36. خوشه‌بندی: k-means
• 37. خوشه‌بندی: روش‌های خوشه‌بندی سلسله‌مراتبی
• 38. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 39. ارتباط PCA با شبکه های عصبی
• 40. معرفی شبکه‌های عصبی مصنوعی
• 41. پرسپترون چندلایه
• 42. تابع فعال‌سازی: انواع و کاربردها
• 43. انتشار رو به جلو (Feedforward) در شبکه‌های عصبی
• 44. انتشار رو به عقب (Backpropagation)
• 45. بهینه‌سازی: گرادیان کاهشی و انواع آن
• 46. تنظیم هایپرپارامترها و Overfitting
• 47. Regularization در شبکه‌های عصبی
• 48. شبکه‌های عصبی کانولوشن (CNN)
• 49. کاربردهای CNN در پردازش تصویر
• 50. شبکه‌های عصبی بازگشتی (RNN)
• 51. کاربردهای RNN در پردازش زبان طبیعی
• 52. یادگیری عمیق و معماری‌های پیچیده
• 53. TensorFlow و Keras: پیاده‌سازی شبکه‌های عصبی
• 54. ساخت و آموزش یک مدل یادگیری ماشین ساده
• 55. مدیریت و پردازش مجموعه‌داده‌های بزرگ
• 56. راه‌اندازی محیط‌های یادگیری ماشین (Colab, Jupyter)
• 57. تجسم داده‌ها و نتایج مدل
• 58. استفاده از مدل‌های پیش‌آموزش‌داده‌شده (Transfer Learning)
• 59. بهبود عملکرد مدل: تکنیک‌های پیشرفته
• 60. یادگیری تقویتی: مفاهیم و الگوریتم‌ها
• 61. مقدمه ای بر Q-Learning
• 62. معرفی به Agent و Environment در یادگیری تقویتی
• 63. معرفی Deep Q-Network (DQN)
• 64. مدل‌سازی و شبیه‌سازی سیستم‌های یادگیری ماشین
• 65. آشنایی با کتابخانه‌های تخصصی یادگیری ماشین (PyTorch)
• 66. معرفی به پردازش زبان طبیعی (NLP)
• 67. معرفی به معماری ترنسفورمرها
• 68. استفاده از ترنسفورمرها برای پردازش متن
• 69. آشنایی با مدل‌های زبانی بزرگ (LLMs)
• 70. کاربردهای هوش مصنوعی در حوزه‌های مختلف
• 71. هوش مصنوعی در پزشکی و سلامت
• 72. هوش مصنوعی در مالی و تجارت
• 73. هوش مصنوعی در اتوماسیون و رباتیک
• 74. هوش مصنوعی در بازی‌ها
• 75. بهره‌وری و کارایی در پیاده‌سازی مدل‌ها
• 76. مبانی امنیت و حریم خصوصی در یادگیری ماشین
• 77. معرفی به تکنیک‌های دفاعی در برابر حملات
• 78. آموزش فدرال (Federated Learning)
• 79. اهمیت تفسیرپذیری مدل‌های یادگیری ماشین
• 80. تکنیک‌های تفسیر مدل (SHAP, LIME)
• 81. مسئولیت‌پذیری و شفافیت در هوش مصنوعی
• 82. بررسی موارد استفاده و چالش‌های هوش مصنوعی
• 83. مروری بر تحقیقات جدید در زمینه یادگیری ماشین
• 84. آینده هوش مصنوعی و جهت‌گیری‌های پژوهشی
• 85. بررسی پیشرفت‌های اخیر در مدل‌های زبانی بزرگ
• 86. استفاده از هوش مصنوعی مولد (Generative AI)
• 87. چالش‌های پیاده‌سازی یادگیری ماشین در دنیای واقعی
• 88. توسعه و استقرار مدل‌های یادگیری ماشین
• 89. استفاده از ابزارهای MLOps
• 90. مدیریت نسخه‌بندی و همکاری در پروژه‌های یادگیری ماشین
• 91. مبانی طراحی سیستم‌های توصیه گر
• 92. آشنایی با مدل‌های Hybrid در توصیه‌گرها
• 93. سیستم‌های توصیه‌گر در عمل
• 94. مبانی تشخیص ناهنجاری (Anomaly Detection)
• 95. یادگیری تقویتی در عمل
• 96. شناسایی الگوهای زمانی با استفاده از شبکه‌های عصبی
• 97. مقایسه و انتخاب مناسب‌ترین مدل برای یک مسئله خاص
• 98. ارزیابی و مقایسه مدل‌ها در یک سیستم
• 99. محدودیت‌ها و چالش‌های مدل‌های یادگیری ماشین
• 100. مفاهیم عمیق‌تر در منطق بول و ارتباط آن با یادگیری ماشین