کتاب صوتی مبانی یادگیری ماشین و هوش مصنوعی: از تئوری تا کاربرد در سامانه های هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین و هوش مصنوعی: از تئوری تا کاربرد در سامانه های هوشمند

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. تاریخچه هوش مصنوعی
• 3. مفاهیم کلیدی هوش مصنوعی
• 4. انواع هوش مصنوعی
• 5. یادگیری ماشین چیست
• 6. انواع یادگیری ماشین
• 7. یادگیری نظارت شده
• 8. رگرسیون خطی
• 9. رگرسیون لجستیک
• 10. ماشین بردار پشتیبان
• 11. درخت تصمیم
• 12. جنگل تصادفی
• 13. گرادیان بوستینگ
• 14. شبکه‌های عصبی مصنوعی
• 15. پروسپترون
• 16. شبکه‌های عصبی عمیق
• 17. یادگیری بدون نظارت
• 18. خوشه‌بندی
• 19. K-Means
• 20. DBSCAN
• 21. کاهش ابعاد
• 22. تحلیل مولفه های اصلی (PCA)
• 23. یادگیری تقویتی
• 24. مفاهیم یادگیری تقویتی
• 25. عامل و محیط
• 26. حالت، عمل و پاداش
• 27. سیاست و تابع ارزش
• 28. الگوریتم‌های یادگیری تقویتی
• 29. Q-Learning
• 30. Deep Q-Networks (DQN)
• 31. Policy Gradients
• 32. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 33. توکن‌سازی و نرمال‌سازی متن
• 34. مدل‌های زبانی
• 35. نمایش کلمات (Word Embeddings)
• 36. Word2Vec
• 37. GloVe
• 38. مقدمه‌ای بر بینایی ماشین
• 39. پردازش تصویر
• 40. استخراج ویژگی
• 41. شبکه‌های عصبی کانولوشنی (CNN)
• 42. کاربرد CNN در تشخیص تصویر
• 43. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 44. انواع سیستم‌های توصیه‌گر
• 45. فیلترینگ مبتنی بر محتوا
• 46. فیلترینگ مشارکتی
• 47. سیستم‌های توصیه‌گر ترکیبی
• 48. مقدمه‌ای بر یادگیری عمیق
• 49. معماری‌های یادگیری عمیق
• 50. شبکه‌های عصبی بازگشتی (RNN)
• 51. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 52. شبکه‌های حافظه کوتاه مدت (GRU)
• 53. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 54. کاربرد یادگیری انتقالی
• 55. تنظیم دقیق مدل‌ها (Fine-tuning)
• 56. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 57. مزایای یادگیری فدرال
• 58. چالش‌های یادگیری فدرال
• 59. مقدمه‌ای بر هوش مصنوعی مولد
• 60. مدل‌های زبانی بزرگ (LLMs)
• 61. معماری ترنسفورمر
• 62. کاربرد LLMs در تولید متن
• 63. شبکه‌های مولد تخاصمی (GANs)
• 64. کاربرد GANs در تولید تصویر
• 65. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 66. سوگیری در الگوریتم‌ها
• 67. شفافیت و قابلیت توضیح‌پذیری (Explainability)
• 68. حریم خصوصی و امنیت داده‌ها
• 69. مسئولیت‌پذیری در هوش مصنوعی
• 70. چارچوب‌های قانونی و نظارتی هوش مصنوعی در ایران
• 71. کاربردهای یادگیری ماشین در صنایع ایران
• 72. هوش مصنوعی در سلامت
• 73. هوش مصنوعی در کشاورزی
• 74. هوش مصنوعی در صنعت
• 75. هوش مصنوعی در آموزش
• 76. هوش مصنوعی در اقتصاد و بانکداری اسلامی
• 77. توسعه مدل‌های یادگیری ماشین در پایتون
• 78. کتابخانه‌های کلیدی (Scikit-learn, TensorFlow, PyTorch)
• 79. آماده‌سازی و پیش‌پردازش داده‌ها
• 80. مهندسی ویژگی
• 81. ارزیابی مدل‌های یادگیری ماشین
• 82. معیارهای ارزیابی رگرسیون
• 83. معیارهای ارزیابی طبقه‌بندی
• 84. اعتبارسنجی متقابل (Cross-validation)
• 85. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 86. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 87. روش‌های بهینه‌سازی
• 88. گرادیان کاهشی تصادفی (SGD)
• 89. بهینه‌سازهای پیشرفته (Adam, RMSprop)
• 90. مدیریت پروژه‌های یادگیری ماشین
• 91. چرخه حیات توسعه مدل
• 92. استقرار مدل‌ها
• 93. نظارت بر عملکرد مدل
• 94. توسعه ابزارهای هوشمند در سامانه های آموزشی
• 95. کاربرد هوش مصنوعی در ارزیابی فراگیران
• 96. طراحی محتوای آموزشی هوشمند
• 97. سیستم‌های خودکار پاسخگویی به سوالات
• 98. تحلیل داده‌های آموزشی با یادگیری ماشین
• 99. مقدمه‌ای بر داده‌کاوی در حوزه آموزش
• 100. شناسایی الگوهای یادگیری فراگیران