کتاب صوتی مقدمه‌ای بر محاسبات در یادگیری افزایشی (Incremental Learning)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در یادگیری افزایشی (Incremental Learning)

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مبانی یادگیری افزایشی
• 2. انواع رویکردهای یادگیری افزایشی
• 3. مدل‌های سنتی یادگیری ماشین
• 4. محدودیت‌های مدل‌های سنتی
• 5. مفهوم داده‌های جریانی
• 6. چالش‌های داده‌های جریانی
• 7. تکنیک‌های ارزیابی مدل‌های افزایشی
• 8. معیارهای ارزیابی در یادگیری افزایشی
• 9. مدیریت تغییر در داده‌ها (Concept Drift)
• 10. شناسایی تغییر مفهوم
• 11. مدل‌سازی تغییر مفهوم
• 12. روش‌های مقابله با تغییر مفهوم
• 13. یادگیری حاشیه‌ای (Online Learning)
• 14. الگوریتم‌های حاشیه‌ای رایج
• 15. یادگیری افزایشی مبتنی بر نمونه (Instance-based)
• 16. الگوریتم‌های K-نزدیک‌ترین همسایه افزایشی
• 17. یادگیری افزایشی مبتنی بر مدل (Model-based)
• 18. یادگیری افزایشی مبتنی بر درخت تصمیم
• 19. الگوریتم Hoeffding Tree
• 20. الگوریتم VFDT
• 21. الگوریتم CVFDT
• 22. یادگیری افزایشی مبتنی بر رگرسیون
• 23. رگرسیون خطی افزایشی
• 24. رگرسیون لجستیک افزایشی
• 25. یادگیری افزایشی مبتنی بر ماشین بردار پشتیبان (SVM)
• 26. ماشین بردار پشتیبان حاشیه‌ای
• 27. یادگیری افزایشی مبتنی بر شبکه‌های عصبی
• 28. شبکه‌های عصبی با قابلیت یادگیری افزایشی
• 29. شبکه‌های حافظه طولانی کوتاه-مدت (LSTM) در یادگیری افزایشی
• 30. شبکه‌های حافظه فعال (RNN) در یادگیری افزایشی
• 31. یادگیری افزایشی برای طبقه‌بندی
• 32. روش‌های طبقه‌بندی افزایشی
• 33. یادگیری افزایشی برای خوشه‌بندی
• 34. خوشه‌بندی افزایشی با K-Means
• 35. خوشه‌بندی افزایشی با DBSCAN
• 36. یادگیری افزایشی برای تشخیص ناهنجاری
• 37. روش‌های تشخیص ناهنجاری افزایشی
• 38. یادگیری افزایشی در سیستم‌های توصیه‌گر
• 39. توصیه‌گرهای افزایشی مبتنی بر محتوا
• 40. توصیه‌گرهای افزایشی مبتنی بر فیلترینگ مشارکتی
• 41. کاربرد یادگیری افزایشی در پردازش زبان طبیعی
• 42. مدل‌سازی موضوعی افزایشی
• 43. طبقه‌بندی متن افزایشی
• 44. کاربرد یادگیری افزایشی در بینایی ماشین
• 45. تشخیص اشیاء افزایشی
• 46. ردیابی اشیاء افزایشی
• 47. یادگیری افزایشی در اینترنت اشیاء (IoT)
• 48. تحلیل داده‌های سنسورهای جریانی
• 49. تشخیص الگو در داده‌های IoT
• 50. یادگیری افزایشی در حوزه سلامت
• 51. پایش سلامت بیماران به صورت افزایشی
• 52. تشخیص بیماری با داده‌های پزشکی جریانی
• 53. یادگیری افزایشی در حوزه مالی
• 54. پیش‌بینی روند بازار به صورت افزایشی
• 55. تشخیص تقلب در تراکنش‌های بانکی
• 56. یادگیری افزایشی در شبکه‌های اجتماعی
• 57. تحلیل احساسات جریانی
• 58. تشخیص اخبار جعلی به صورت افزایشی
• 59. مدیریت داده‌های حجیم در یادگیری افزایشی
• 60. تکنیک‌های نمونه‌برداری در یادگیری افزایشی
• 61. کاهش ابعاد در یادگیری افزایشی
• 62. کاربرد تکنیک‌های فشرده‌سازی داده
• 63. بهینه‌سازی مدل‌های یادگیری افزایشی
• 64. تنظیم پارامترهای مدل‌های افزایشی
• 65. روش‌های یادگیری فعال (Active Learning) در یادگیری افزایشی
• 66. انتخاب نمونه‌های آموزنده
• 67. یادگیری افزایشی با نظارت جزئی (Semi-supervised)
• 68. مدل‌های ترکیبی نظارت شده و بدون نظارت
• 69. یادگیری افزایشی با نظارت خودکار (Self-supervised)
• 70. استفاده از وظایف پیش‌بینانه
• 71. یادگیری افزایشی چند وظیفه‌ای (Multi-task)
• 72. به اشتراک‌گذاری دانش بین وظایف
• 73. یادگیری افزایشی چند عاملی (Multi-agent)
• 74. همکاری و رقابت عامل‌ها
• 75. یادگیری افزایشی در سیستم‌های توزیع شده
• 76. هماهنگ‌سازی مدل‌ها در کلاسترها
• 77. چالش‌های حفظ حریم خصوصی در یادگیری افزایشی
• 78. تکنیک‌های حفظ حریم خصوصی تفاضلی
• 79. ملاحظات اخلاقی در یادگیری افزایشی
• 80. مسئولیت‌پذیری مدل‌های افزایشی
• 81. پیاده‌سازی عملی یادگیری افزایشی
• 82. انتخاب ابزارها و کتابخانه‌ها
• 83. معماری سیستم‌های یادگیری افزایشی
• 84. مقیاس‌پذیری در سیستم‌های یادگیری افزایشی
• 85. مانیتورینگ و نگهداری مدل‌های افزایشی
• 86. پایش عملکرد مدل در طول زمان
• 87. بروزرسانی مدل‌های افزایشی
• 88. مدیریت خطا و بازیابی در سیستم‌های افزایشی
• 89. بررسی موردی: یادگیری افزایشی در سیستم ترافیک هوشمند
• 90. بررسی موردی: یادگیری افزایشی در تشخیص هرزنامه
• 91. بررسی موردی: یادگیری افزایشی در پیش‌بینی تقاضا
• 92. بررسی موردی: یادگیری افزایشی در مدیریت منابع شبکه
• 93. مطالعه پیشرفته: یادگیری تقویتی افزایشی
• 94. مفاهیم پایه یادگیری تقویتی
• 95. تطبیق یادگیری تقویتی با داده‌های جریانی
• 96. روش‌های یادگیری ترکیبی (Ensemble) در یادگیری افزایشی
• 97. ترکیب مدل‌های افزایشی مختلف
• 98. ارزیابی جامع رویکردهای یادگیری افزایشی
• 99. مقایسه عملکرد الگوریتم‌ها
• 100. روندهای آینده در یادگیری افزایشی