کتاب صوتی الگوریتم‌های تشخیص الگو: Pattern Recognition Algorithms

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم‌های تشخیص الگو: Pattern Recognition Algorithms

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تشخیص الگو و کاربردهای آن
• 2. مروری بر مفاهیم پایه یادگیری ماشین در تشخیص الگو
• 3. دسته‌بندی مسائل تشخیص الگو: نظارت‌شده و نظارت‌نشده
• 4. بردار ویژگی و فضای ویژگی
• 5. پیش‌پردازش داده‌ها و نرمال‌سازی
• 6. کاهش ابعاد با تحلیل مؤلفه‌های اصلی (PCA)
• 7. کاهش ابعاد با تحلیل تفکیک خطی (LDA)
• 8. روش نزدیک‌ترین همسایه (k-NN) و پارامتر k
• 9. طبقه‌بند بیز ساده (Naive Bayes)
• 10. طبقه‌بند خطی و رگرسیون لجستیک
• 11. ماشین بردار پشتیبان (SVM) با کرنل خطی
• 12. کرنل‌های غیرخطی در SVM
• 13. درخت تصمیم و معیارهای تقسیم
• 14. جنگل تصادفی (Random Forest)
• 15. روش بوستینگ: AdaBoost و Gradient Boosting
• 16. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 17. تابع فعال‌سازی و انتخاب آن
• 18. آموزش شبکه عصبی با پس‌انتشار خطا
• 19. شبکه‌های عصبی کانولوشنی (CNN) برای تصاویر
• 20. عملیات کانولوشن و پولینگ
• 21. معماری‌های معروف CNN (مانند LeNet و AlexNet)
• 22. تشخیص الگو در سری‌های زمانی
• 23. مدل مارکوف پنهان (HMM) برای داده‌های ترتیبی
• 24. خوشه‌بندی با الگوریتم K-Means
• 25. خوشه‌بندی سلسله‌مراتبی و دندروگرام
• 26. خوشه‌بندی مبتنی بر چگالی (DBSCAN)
• 27. الگوریتم امید ریاضی-بیشینه‌سازی (EM) و مدل‌های مخلوط گاوسی
• 28. ارزیابی مدل‌های خوشه‌بندی
• 29. تشخیص ناهنجاری (Anomaly Detection) با روش‌های پایه
• 30. روش ماشین بردار پشتیبان تک‌کلاسه برای تشخیص ناهنجاری
• 31. انتخاب ویژگی (Feature Selection) با فیلتر و wrapper
• 32. استخراج ویژگی (Feature Extraction) با روش‌های خودکار
• 33. بازنمایی تنک (Sparse Representation) در تشخیص الگو
• 34. طبقه‌بند مبتنی بر قاعده و سیستم‌های خبره
• 35. همجوشی داده‌ها (Data Fusion) در تشخیص الگو
• 36. روش‌های ensemble برای بهبود دقت
• 37. ارزیابی عملکرد: ماتریس درهم‌ریختگی و معیارهای دقت، فراخوانی و F1
• 38. منحنی ROC و AUC
• 39. اعتبارسنجی متقابل (Cross-Validation) و جلوگیری از بیش‌برازش
• 40. متعادل‌سازی داده‌های نامتوازن (Imbalanced Data)
• 41. نرم‌سازی و پیش‌پردازش تصاویر برای تشخیص الگو
• 42. تشخیص الگو در متن و پردازش زبان طبیعی
• 43. استخراج ویژگی از متن با TF-IDF و Bag-of-Words
• 44. طبقه‌بندهای مبتنی بر فاصله و مشابهت
• 45. روش‌های هسته (Kernel Methods) در فضای ویژگی
• 46. الگوریتم تشخیص چهره با روش‌های پایه
• 47. الگوریتم تشخیص اشیا در تصاویر (مانند Viola-Jones)
• 48. روش‌های تشخیص الگو با یادگیری عمیق
• 49. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 50. شبکه‌های حافظه کوتاه‌مدت بلند (LSTM)
• 51. رمزگذار خودکار (Autoencoder) برای کاهش ابعاد و بازسازی
• 52. رمزگذار خودکار تنک (Sparse Autoencoder)
• 53. شبکه‌های مولد تخاصمی (GAN) برای تولید الگو
• 54. یادگیری انتقالی (Transfer Learning) در تشخیص الگو
• 55. بهبود مدل با تنظیم فراپارامترها (Hyperparameter Tuning)
• 56. روش‌های منظم‌سازی (Regularization) برای جلوگیری از بیش‌برازش
• 57. تفسیرپذیری مدل‌های تشخیص الگو
• 58. مقایسه روش‌های تشخیص الگو و انتخاب بهترین روش
• 59. مرور کتابخانه‌های نرم‌افزاری برای پیاده‌سازی (مانند scikit-learn و TensorFlow)
• 60. مطالعه موردی: تشخیص الگو در تصاویر پزشکی
• 61. مطالعه موردی: تشخیص الگو در داده‌های مالی
• 62. مطالعه موردی: تشخیص الگو در گفتار
• 63. چالش‌های عملی پیاده‌سازی و داده‌های گمشده
• 64. مسائل اخلاقی در تشخیص الگو و حریم خصوصی
• 65. آینده تشخیص الگو و روندهای تحقیقاتی