کتاب صوتی کشف ناهنجاری در داده‌های سازمانی با یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف ناهنجاری در داده‌های سازمانی با یادگیری عمیق

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری عمیق برای تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کشف ناهنجاری در داده‌های سازمانی
• 2. اهمیت کشف ناهنجاری در محیط‌های سازمانی
• 3. تعریف ناهنجاری و انواع آن در داده‌ها
• 4. چالش‌های کشف ناهنجاری در داده‌های بزرگ
• 5. مروری بر روش‌های سنتی کشف ناهنجاری
• 6. محدودیت‌های روش‌های آماری کلاسیک
• 7. معرفی یادگیری عمیق برای کشف ناهنجاری
• 8. مبانی شبکه‌های عصبی مصنوعی
• 9. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 10. توابع فعال‌سازی در شبکه‌های عصبی
• 11. بهینه‌سازی شبکه‌های عصبی: گرادیان کاهشی
• 12. روش‌های تنظیم نرخ یادگیری
• 13. مقدمه‌ای بر یادگیری ماشین با نظارت (Supervised Learning)
• 14. مقدمه‌ای بر یادگیری ماشین بدون نظارت (Unsupervised Learning)
• 15. یادگیری نیمه‌نظارتی (Semi-supervised Learning)
• 16. نقش یادگیری بدون نظارت در کشف ناهنجاری
• 17. معرفی اتوانکودرها (Autoencoders)
• 18. ساختار اتوانکودر پایه
• 19. آموزش اتوانکودر برای فشرده‌سازی داده
• 20. خطای بازسازی (Reconstruction Error) به عنوان معیار ناهنجاری
• 21. اتوانکودرهای عمیق (Deep Autoencoders)
• 22. پیاده‌سازی اتوانکودرها با کتابخانه‌های یادگیری عمیق
• 23. تنظیم پارامترهای اتوانکودر
• 24. معیارهای ارزیابی مدل‌های کشف ناهنجاری
• 25. دقت (Accuracy)، صحت (Precision) و بازخوانی (Recall)
• 26. منحنی ROC و سطح زیر منحنی (AUC)
• 27. معرفی شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 28. محدودیت‌های RNN های ساده
• 29. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 30. کاربرد LSTM در داده‌های سری زمانی
• 31. شبکه‌های حافظه طولانی کوتاه مدت (GRU)
• 32. مقایسه LSTM و GRU
• 33. کشف ناهنجاری در داده‌های سری زمانی با RNN ها
• 34. پیش‌پردازش داده‌های سری زمانی
• 35. مدل‌سازی روند و فصلی بودن در سری‌های زمانی
• 36. استفاده از LSTM برای پیش‌بینی و تشخیص ناهنجاری
• 37. معرفی شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNN)
• 38. کاربرد CNN در پردازش داده‌های ساختاریافته
• 39. CNN برای کشف ناهنجاری در تصاویر (کاربرد ضمنی)
• 40. CNN برای استخراج ویژگی از داده‌های متنی
• 41. استفاده از CNN در ترکیب با اتوانکودرها
• 42. معرفی شبکه‌های مولد تخاصمی (Generative Adversarial Networks - GAN)
• 43. معماری GAN: مولد و ممیز
• 44. آموزش GAN ها
• 45. کاربرد GAN در تولید داده‌های مصنوعی
• 46. GAN ها برای کشف ناهنجاری
• 47. روش‌های پیشرفته اتوانکودر
• 48. اتوانکودرهای تغذیه‌ای (Denoising Autoencoders)
• 49. اتوانکودرهای تکراری (Recurrent Autoencoders)
• 50. اتوانکودرهای واریانس‌گرا (Variational Autoencoders - VAE)
• 51. کاربرد VAE در مدل‌سازی توزیع داده
• 52. استفاده از VAE برای کشف ناهنجاری
• 53. روش‌های ترکیبی یادگیری عمیق
• 54. ترکیب CNN و LSTM برای کشف ناهنجاری
• 55. ترکیب اتوانکودر و LSTM
• 56. ترکیب GAN و اتوانکودر
• 57. کشف ناهنجاری در داده‌های متنی
• 58. پیش‌پردازش داده‌های متنی
• 59. مدل‌سازی موضوعی (Topic Modeling)
• 60. استفاده از Word Embeddings (مانند Word2Vec, GloVe)
• 61. کشف ناهنجاری در نظرات کاربران
• 62. کشف ناهنجاری در گزارشات امنیتی
• 63. کشف ناهنجاری در داده‌های مالی
• 64. شناسایی تراکنش‌های مشکوک
• 65. پیش‌بینی ریسک اعتباری
• 66. کشف ناهنجاری در داده‌های صنعتی
• 67. تشخیص خرابی تجهیزات
• 68. بهینه‌سازی فرآیندهای تولید
• 69. کشف ناهنجاری در داده‌های سلامت
• 70. تشخیص بیماری‌ها از طریق داده‌های پزشکی
• 71. پایش سلامت بیماران
• 72. کشف ناهنجاری در داده‌های شبکه‌های کامپیوتری
• 73. شناسایی حملات سایبری
• 74. مانیتورینگ ترافیک شبکه
• 75. پیاده‌سازی و استقرار مدل‌های کشف ناهنجاری
• 76. مراحل عملیاتی‌سازی مدل
• 77. انتخاب معیارهای مناسب ارزیابی در محیط عملیاتی
• 78. مقایسه عملکرد مدل‌های مختلف یادگیری عمیق
• 79. تحلیل حساسیت مدل به پارامترها
• 80. مدیریت داده‌های نامتوازن در کشف ناهنجاری
• 81. تکنیک‌های نمونه‌برداری (Oversampling, Undersampling)
• 82. استفاده از توابع هزینه مناسب
• 83. تفسیرپذیری مدل‌های یادگیری عمیق
• 84. تکنیک‌های تفسیرپذیری (مانند LIME, SHAP)
• 85. اهمیت تفسیرپذیری در محیط‌های سازمانی
• 86. مروری بر چالش‌های عملیاتی در کشف ناهنجاری
• 87. حفظ حریم خصوصی داده‌ها
• 88. مقیاس‌پذیری و کارایی مدل‌ها
• 89. به‌روزرسانی مداوم مدل‌ها
• 90. آیندهٔ کشف ناهنجاری با یادگیری عمیق
• 91. یادگیری تقویتی (Reinforcement Learning) در کشف ناهنجاری
• 92. کشف ناهنجاری در داده‌های چندوجهی (Multimodal Data)
• 93. یادگیری فدرال (Federated Learning) برای کشف ناهنجاری
• 94. کاربرد هوش مصنوعی در امنیت سایبری (با تمرکز بر کشف ناهنجاری)
• 95. تکنیک‌های یادگیری عمیق برای تشخیص نفوذ
• 96. کاربرد یادگیری عمیق در تحلیل لاگ‌های سیستمی
• 97. شناسایی رفتار غیرعادی کاربران
• 98. کشف ناهنجاری در داده‌های اینترنت اشیاء (IoT)
• 99. پایش دستگاه‌های متصل
• 100. تشخیص دستگاه‌های مخرب