کتاب صوتی دستیابی به هوش مصنوعی عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دستیابی به هوش مصنوعی عملی

موضوع کلی: فناوری اطلاعات و مهارت‌های دیجیتال

موضوع میانی: مبانی ماشین لرنینگ

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و کاربردهای آن
• 2. تاریخچه و تکامل هوش مصنوعی
• 3. مفاهیم کلیدی در یادگیری ماشین
• 4. انواع الگوریتم‌های یادگیری ماشین
• 5. یادگیری نظارت شده: رگرسیون خطی
• 6. یادگیری نظارت شده: رگرسیون لجستیک
• 7. یادگیری نظارت شده: درخت‌های تصمیم‌گیری
• 8. یادگیری نظارت شده: ماشین‌های بردار پشتیبان (SVM)
• 9. یادگیری نظارت شده: جنگل‌های تصادفی
• 10. یادگیری بدون نظارت: خوشه‌بندی K-Means
• 11. یادگیری بدون نظارت: تحلیل مولفه‌های اصلی (PCA)
• 12. یادگیری تقویتی: مفاهیم پایه
• 13. شبکه‌های عصبی مصنوعی: ساختار و عملکرد
• 14. شبکه‌های عصبی: الگوریتم پس‌انتشار خطا
• 15. شبکه‌های عصبی کانولوشنال (CNN): مقدمه
• 16. شبکه‌های عصبی کانولوشنال: کاربرد در پردازش تصویر
• 17. شبکه‌های عصبی بازگشتی (RNN): مقدمه
• 18. شبکه‌های LSTM و GRU
• 19. پردازش زبان طبیعی (NLP): مقدمه
• 20. مدل‌های زبانی و تولید متن
• 21. تحلیل احساسات و استخراج اطلاعات
• 22. بینایی کامپیوتر: تشخیص اشیا
• 23. بینایی کامپیوتر: بخش‌بندی تصاویر
• 24. یادگیری عمیق و چارچوب‌های آن (TensorFlow, PyTorch)
• 25. بهینه‌سازی مدل‌های یادگیری ماشین
• 26. ارزیابی و اعتبارسنجی مدل‌ها
• 27. پیشگیری از بیش‌برازش (Overfitting)
• 28. تنظیم هایپرپارامترها
• 29. مبانی برنامه‌نویسی پایتون برای هوش مصنوعی
• 30. کار با کتابخانه‌های NumPy و Pandas
• 31. کار با کتابخانه Scikit-learn
• 32. کار با کتابخانه Matplotlib و Seaborn
• 33. آماده‌سازی و پیش‌پردازش داده‌ها
• 34. مهندسی ویژگی و انتخاب ویژگی
• 35. استفاده از داده‌های نامتعادل
• 36. مدل‌سازی و ارزیابی در داده‌های سری زمانی
• 37. کاربردهای هوش مصنوعی در پزشکی
• 38. کاربردهای هوش مصنوعی در مالی
• 39. کاربردهای هوش مصنوعی در صنعت
• 40. کاربردهای هوش مصنوعی در بازاریابی
• 41. اخلاق و چالش‌های هوش مصنوعی
• 42. امنیت و حریم خصوصی در هوش مصنوعی
• 43. آینده هوش مصنوعی و ترندهای جدید
• 44. استقرار مدل‌های هوش مصنوعی
• 45. مفاهیم Docker و Kubernetes برای استقرار مدل‌ها