کتاب صوتی استانداردسازی و کیفیت‌سنجی داده‌ها برای آموزش مدل‌های هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استانداردسازی و کیفیت‌سنجی داده‌ها برای آموزش مدل‌های هوشمند

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استانداردسازی داده‌ها در هوش مصنوعی
• 2. اهمیت کیفیت داده‌ها در آموزش مدل‌های هوشمند
• 3. انواع داده‌ها و ساختارهای متداول در آموزش مدل‌ها
• 4. پیش‌پردازش داده‌ها: پاکسازی و حذف داده‌های پرت
• 5. مدیریت داده‌های گمشده: روش‌ها و تکنیک‌ها
• 6. استانداردسازی مقیاس ویژگی‌ها: نرمال‌سازی و استانداردسازی
• 7. کدگذاری متغیرهای دسته‌ای: One-Hot Encoding و Label Encoding
• 8. مهندسی ویژگی: ایجاد و انتخاب ویژگی‌های مؤثر
• 9. بررسی توزیع داده‌ها و شناسایی ناهنجاری‌ها
• 10. روش‌های نمونه‌گیری داده‌ها: تصادفی، طبقه‌ای و…
• 11. مقدمه‌ای بر مفاهیم یادگیری ماشین نظارت شده
• 12. انواع مسائل در یادگیری ماشین نظارت شده (رگرسیون و طبقه‌بندی)
• 13. آموزش مدل‌های خطی برای رگرسیون
• 14. ارزیابی مدل‌های رگرسیون: MSE، RMSE، MAE، R2
• 15. آموزش مدل‌های خطی برای طبقه‌بندی: رگرسیون لجستیک
• 16. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 17. کاربرد SVM در مسائل طبقه‌بندی
• 18. درختان تصمیم: ساختار و اصول
• 19. آموزش و ارزیابی مدل‌های درخت تصمیم
• 20. مقدمه‌ای بر جنگل‌های تصادفی (Random Forest)
• 21. کاربرد جنگل‌های تصادفی در طبقه‌بندی و رگرسیون
• 22. مدل‌های تقویت گرادیان (Gradient Boosting)
• 23. معرفی الگوریتم XGBoost
• 24. کاربرد XGBoost در مسائل پیچیده
• 25. مقدمه‌ای بر یادگیری ماشین بدون نظارت
• 26. خوشه‌بندی: الگوریتم K-Means
• 27. ارزیابی مدل‌های خوشه‌بندی
• 28. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 29. کاربرد PCA در پیش‌پردازش و بصری‌سازی داده‌ها
• 30. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 31. ساختار لایه‌های شبکه‌های عصبی
• 32. توابع فعال‌سازی در شبکه‌های عصبی
• 33. آموزش شبکه‌های عصبی: انتشار رو به عقب (Backpropagation)
• 34. بهینه‌سازها در آموزش شبکه‌های عصبی: SGD، Adam، RMSprop
• 35. تنظیم ابرپارامترها در شبکه‌های عصبی
• 36. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 37. کاربرد CNN در پردازش تصاویر
• 38. معماری‌های معروف CNN: LeNet، AlexNet، VGG
• 39. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 40. کاربرد RNN در پردازش توالی‌ها و زبان طبیعی
• 41. شبکه‌های حافظه طولانی کوتاه (LSTM) و واحدهای بازگشتی دروازه‌ای (GRU)
• 42. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 43. توکنایزیشن و نرمال‌سازی متن
• 44. مدل‌سازی زبان: N-gram و Word Embeddings
• 45. کاربرد Word Embeddings: Word2Vec، GloVe
• 46. مقدمه‌ای بر ترنسفورمرها و مدل‌های زبانی بزرگ (LLMs)
• 47. معماری ترنسفورمر و مکانیزم توجه (Attention)
• 48. مقدمه‌ای بر مفاهیم یادگیری تقویتی
• 49. عناصر کلیدی در یادگیری تقویتی: عامل، محیط، پاداش
• 50. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 51. مقدمه‌ای بر مدل‌های مولد
• 52. شبکه‌های مولد تخاصمی (GANs)
• 53. کاربرد GANs در تولید داده
• 54. مدل‌های انتشار (Diffusion Models)
• 55. کاربرد مدل‌های انتشار در تولید تصویر
• 56. مقدمه‌ای بر داده‌کاوی و کشف دانش
• 57. قوانین وابستگی (Association Rules) و الگوریتم Apriori
• 58. کاربرد قوانین وابستگی در تحلیل سبد خرید
• 59. مقدمه‌ای بر یادگیری عمیق در بینایی ماشین
• 60. تشخیص اشیاء در تصاویر
• 61. تقسیم‌بندی معنایی تصاویر
• 62. مقدمه‌ای بر یادگیری عمیق در پردازش صوت
• 63. تشخیص گفتار
• 64. تولید صوت
• 65. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 66. کاربرد یادگیری انتقالی در مسائل مختلف
• 67. تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 68. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 69. سوگیری در داده‌ها و مدل‌ها
• 70. شفافیت و قابلیت تفسیرپذیری مدل‌ها
• 71. امنیت داده‌ها و حریم خصوصی در هوش مصنوعی
• 72. ارزیابی کیفیت داده‌ها برای آموزش مدل‌های هوشمند
• 73. استانداردهای داده‌ای در سیستم‌های آموزشی
• 74. قوانین و مقررات مربوط به داده‌ها در ایران
• 75. مدیریت چرخه حیات داده‌ها
• 76. بصری‌سازی داده‌ها و گزارش‌دهی
• 77. ابزارهای بصری‌سازی داده‌ها
• 78. طراحی داشبوردهای مدیریتی
• 79. تحلیل داده‌های سری زمانی
• 80. پیش‌بینی روندهای آینده با مدل‌های سری زمانی
• 81. کاربرد مدل‌های سری زمانی در آموزش
• 82. مقدمه‌ای بر داده‌های حجیم (Big Data)
• 83. مفاهیم و چالش‌های داده‌های حجیم
• 84. ابزارها و پلتفرم‌های پردازش داده‌های حجیم
• 85. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 86. انواع پایگاه‌های داده NoSQL
• 87. کاربرد پایگاه‌های داده NoSQL در هوش مصنوعی
• 88. مقدمه‌ای بر داده‌های مکانی-زمانی
• 89. پردازش و تحلیل داده‌های مکانی-زمانی
• 90. کاربرد داده‌های مکانی-زمانی در آموزش
• 91. مقدمه‌ای بر یادگیری چندوجهی (Multimodal Learning)
• 92. ترکیب داده‌های متنی، تصویری و صوتی
• 93. مدل‌های یادگیری چندوجهی
• 94. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 95. انتخاب داده‌های نماینده برای برچسب‌گذاری
• 96. کاربرد یادگیری فعال در کاهش هزینه برچسب‌گذاری
• 97. مقدمه‌ای بر یادگیری نیمه‌نظارت شده
• 98. استفاده از داده‌های برچسب‌دار و بدون برچسب
• 99. تکنیک‌های یادگیری نیمه‌نظارت شده
• 100. مقدمه‌ای بر یادگیری با داده‌های محدود (Few-Shot Learning)