کتاب صوتی مبانی و اصول یادگیری ماشین کاربردی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و اصول یادگیری ماشین کاربردی

موضوع کلی: علوم و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 5. مهندسی ویژگی: انتخاب و ساخت ویژگی
• 6. مقدمه‌ای بر الگوریتم‌های رگرسیون
• 7. رگرسیون خطی ساده و چندگانه
• 8. ارزیابی مدل‌های رگرسیون: MSE، MAE، R-squared
• 9. مقدمه‌ای بر الگوریتم‌های طبقه‌بندی
• 10. رگرسیون لجستیک
• 11. طبقه‌بندی‌کننده‌های بردار ماشین (SVM)
• 12. درختان تصمیم
• 13. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازیابی، F1-score
• 14. مقدمه‌ای بر یادگیری بدون نظارت
• 15. خوشه‌بندی: K-Means
• 16. خوشه‌بندی سلسله مراتبی
• 17. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 18. مقدمه‌ای بر یادگیری تقویتی
• 19. مفاهیم اساسی یادگیری تقویتی: عامل، محیط، پاداش
• 20. یادگیری Q
• 21. یادگیری مبتنی بر مدل
• 22. شبکه‌های عصبی مصنوعی: مقدمه
• 23. نورون مصنوعی و تابع فعال‌سازی
• 24. شبکه‌های عصبی پیشخور (Feedforward)
• 25. آموزش شبکه‌های عصبی: پس‌انتشار خطا (Backpropagation)
• 26. بهینه‌سازی در شبکه‌های عصبی: نزول گرادیان
• 27. مقدمه‌ای بر یادگیری عمیق
• 28. شبکه‌های عصبی کانولوشنال (CNN)
• 29. کاربرد CNN در بینایی ماشین
• 30. شبکه‌های عصبی بازگشتی (RNN)
• 31. کاربرد RNN در پردازش زبان طبیعی
• 32. مدل‌های زبانی
• 33. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 34. توکنایز کردن و نرمال‌سازی متن
• 35. مدل‌سازی موضوعی: LDA
• 36. بازنمایی کلمات: Word Embeddings (Word2Vec)
• 37. مقدمه‌ای بر یادگیری نیمه‌نظارت شده
• 38. یادگیری انتقالی (Transfer Learning)
• 39. یادگیری فعال (Active Learning)
• 40. مقدمه‌ای بر یادگیری ترکیبی (Ensemble Learning)
• 41. تقویت (Boosting): AdaBoost، Gradient Boosting
• 42. کیسه‌بندی (Bagging): Random Forest
• 43. مقدمه‌ای بر تشخیص ناهنجاری
• 44. روش‌های آماری تشخیص ناهنجاری
• 45. تشخیص ناهنجاری با استفاده از مدل‌های یادگیری ماشین
• 46. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 47. فیلترینگ مشارکتی
• 48. فیلترینگ مبتنی بر محتوا
• 49. یادگیری ماشین در امنیت سایبری
• 50. کاربرد یادگیری ماشین در تشخیص بدافزار
• 51. کاربرد یادگیری ماشین در تشخیص نفوذ
• 52. مقدمه‌ای بر یادگیری ماشین در حوزه سلامت
• 53. تشخیص بیماری با استفاده از تصاویر پزشکی
• 54. پیش‌بینی نتایج درمانی
• 55. مقدمه‌ای بر یادگیری ماشین در حوزه مالی
• 56. پیش‌بینی قیمت سهام
• 57. تشخیص تقلب مالی
• 58. مقدمه‌ای بر پردازش گفتار
• 59. تشخیص گفتار
• 60. تولید گفتار
• 61. مقدمه‌ای بر یادگیری ماشین توزیع شده
• 62. فدراسیون لرنینگ
• 63. کاربرد یادگیری ماشین در اینترنت اشیاء (IoT)
• 64. مقدمه‌ای بر اخلاق در یادگیری ماشین
• 65. سوگیری در الگوریتم‌ها
• 66. مسئولیت‌پذیری در هوش مصنوعی
• 67. مقدمه‌ای بر یادگیری ماشین قابل تفسیر (XAI)
• 68. تکنیک‌های تفسیرپذیری مدل
• 69. کاربرد XAI در حوزه‌های حساس
• 70. مقدمه‌ای بر یادگیری تقویتی عمیق
• 71. الگوریتم‌های Actor-Critic
• 72. Deep Q-Networks (DQN)
• 73. مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN)
• 74. معماری GAN
• 75. کاربردهای GAN در تولید محتوا
• 76. مقدمه‌ای بر یادگیری ماشین کوانتومی
• 77. مبانی محاسبات کوانتومی برای یادگیری ماشین
• 78. الگوریتم‌های یادگیری ماشین کوانتومی
• 79. مقدمه‌ای بر یادگیری ماشین در رباتیک
• 80. کنترل ربات با یادگیری تقویتی
• 81. هدایت ربات با بینایی ماشین
• 82. مقدمه‌ای بر یادگیری ماشین در کشاورزی هوشمند
• 83. پیش‌بینی آفات و بیماری‌ها
• 84. بهینه‌سازی مصرف آب و کود
• 85. مقدمه‌ای بر یادگیری ماشین در مدیریت شهری
• 86. بهینه‌سازی ترافیک
• 87. پیش‌بینی تقاضای انرژی
• 88. مقدمه‌ای بر یادگیری ماشین در آموزش
• 89. شخصی‌سازی فرآیند یادگیری
• 90. ارزیابی خودکار تکالیف
• 91. مقدمه‌ای بر یادگیری ماشین در بهینه‌سازی انرژی
• 92. پیش‌بینی مصرف انرژی
• 93. مدیریت شبکه‌های هوشمند
• 94. مقدمه‌ای بر مدل‌سازی پیش‌بینانه
• 95. کاربرد مدل‌سازی پیش‌بینانه در کسب‌وکار
• 96. مقدمه‌ای بر هوش مصنوعی مولد
• 97. کاربرد هوش مصنوعی مولد در خلاقیت
• 98. مقدمه‌ای بر یادگیری ماشین در حقوق
• 99. تحلیل اسناد حقوقی
• 100. پیش‌بینی نتایج پرونده‌ها