کتاب صوتی مبانی یادگیری آماری برای علم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری آماری برای علم داده

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی علم داده و یادگیری آماری
• 2. مقدمه‌ای بر یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 4. مفاهیم پایه مدل‌سازی آماری
• 5. رگرسیون خطی ساده
• 6. مفروضات رگرسیون خطی
• 7. ارزیابی مدل رگرسیون خطی
• 8. رگرسیون خطی چندگانه
• 9. انتخاب متغیر در رگرسیون
• 10. تنظیم‌گری (Regularization) در رگرسیون
• 11. مقدمه‌ای بر طبقه‌بندی
• 12. رگرسیون لجستیک
• 13. ارزیابی مدل‌های طبقه‌بندی
• 14. شاخص‌های عملکرد طبقه‌بندی
• 15. درختان تصمیم
• 16. قوانین استخراج شده از درختان تصمیم
• 17. اعتبارسنجی متقابل (Cross-validation)
• 18. روش‌های بوت‌استرپ (Bootstrap)
• 19. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 20. هسته‌های (Kernels) در SVM
• 21. کاربرد SVM در طبقه‌بندی
• 22. مقدمه‌ای بر مدل‌های آنسامبل (Ensemble)
• 23. روش بغینگ (Bagging)
• 24. روش بوستینگ (Boosting)
• 25. گرادیان بوستینگ (Gradient Boosting)
• 26. مدل‌های جنگل تصادفی (Random Forests)
• 27. کاربرد جنگل تصادفی در طبقه‌بندی
• 28. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 29. الگوریتم K-Means
• 30. ارزیابی خوشه‌بندی
• 31. خوشه‌بندی سلسله مراتبی
• 32. کاربرد خوشه‌بندی در علم داده
• 33. مقدمه‌ای بر کاهش ابعاد
• 34. تحلیل مولفه‌های اصلی (PCA)
• 35. کاربرد PCA در کاهش ابعاد
• 36. تحلیل تمایز خطی (LDA)
• 37. کاربرد LDA در کاهش ابعاد
• 38. مقدمه‌ای بر مدل‌های احتمالی
• 39. قضیه بیز (Bayes' Theorem)
• 40. طبقه‌بند بیز ساده (Naive Bayes)
• 41. کاربرد Naive Bayes در طبقه‌بندی
• 42. مدل‌های گرافیکی احتمالی
• 43. شبکه‌های بیزی (Bayesian Networks)
• 44. کاربرد شبکه‌های بیزی
• 45. مقدمه‌ای بر مدل‌های سری زمانی
• 46. آریما (ARIMA)
• 47. کاربرد مدل‌های سری زمانی
• 48. مقدمه‌ای بر یادگیری عمیق
• 49. شبکه‌های عصبی مصنوعی
• 50. لایه ورودی، مخفی و خروجی
• 51. توابع فعال‌سازی (Activation Functions)
• 52. پس‌انتشار خطا (Backpropagation)
• 53. بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 54. بهینه‌سازهای پیشرفته
• 55. شبکه‌های عصبی کانولوشنی (CNN)
• 56. لایه‌های کانولوشن و پولینگ
• 57. کاربرد CNN در پردازش تصویر
• 58. شبکه‌های عصبی بازگشتی (RNN)
• 59. حافظه کوتاه‌مدت طولانی (LSTM)
• 60. کاربرد RNN و LSTM در پردازش زبان طبیعی
• 61. یادگیری تقویتی (Reinforcement Learning)
• 62. عناصر یادگیری تقویتی
• 63. الگوریتم‌های یادگیری تقویتی
• 64. کاربرد یادگیری تقویتی
• 65. مباحث پیشرفته در یادگیری ماشین
• 66. تفسیرپذیری مدل‌های یادگیری ماشین
• 67. مدل‌های قابل تفسیر
• 68. روش‌های ارزیابی تفسیرپذیری
• 69. ملاحظات اخلاقی در هوش مصنوعی
• 70. عدالت و انصاف در الگوریتم‌ها
• 71. حریم خصوصی و امنیت داده‌ها
• 72. کاربرد یادگیری ماشین در حوزه‌های مختلف
• 73. یادگیری ماشین در سلامت
• 74. یادگیری ماشین در امور مالی
• 75. یادگیری ماشین در صنعت
• 76. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 77. پیش‌پردازش متن
• 78. مدل‌سازی زبان
• 79. تحلیل احساسات
• 80. استخراج اطلاعات
• 81. خلاصه‌سازی متن
• 82. ترجمه ماشینی
• 83. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 84. تشخیص اشیاء
• 85. تقسیم‌بندی تصاویر
• 86. تشخیص چهره
• 87. تحلیل ویدئو
• 88. مقدمه‌ای بر سیستم‌های توصیه‌گر (Recommender Systems)
• 89. فیلترینگ مبتنی بر محتوا
• 90. فیلترینگ مشارکتی
• 91. مدل‌های ترکیبی توصیه‌گر
• 92. ارزیابی سیستم‌های توصیه‌گر
• 93. مقدمه‌ای بر داده‌های حجیم (Big Data)
• 94. ابزارها و فناوری‌های داده‌های حجیم
• 95. معماری‌های داده‌های حجیم
• 96. کاربرد یادگیری ماشین در داده‌های حجیم
• 97. مبانی مهندسی نرم‌افزار
• 98. چرخه حیات توسعه نرم‌افزار
• 99. متدولوژی‌های توسعه نرم‌افزار
• 100. طراحی نرم‌افزار