کتاب صوتی یادگیری ماشین عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین عملی

موضوع کلی: علوم و فناوری‌های نوین رایانش

موضوع میانی: هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 3. پیش‌پردازش داده‌ها و پاکسازی
• 4. ویژگی‌های مهندسی و انتخاب
• 5. مجموعه داده‌های آموزشی، اعتبارسنجی و آزمون
• 6. رگرسیون خطی ساده و چندگانه
• 7. ارزیابی مدل‌های رگرسیون
• 8. رگرسیون لجستیک برای طبقه‌بندی
• 9. درخت‌های تصمیم‌گیری: مبانی و کاربردها
• 10. جنگل تصادفی و افزایش دقت
• 11. ماشین‌های بردار پشتیبان (SVM)
• 12. تنظیم پارامترهای SVM
• 13. خوشه‌بندی K-means
• 14. خوشه‌بندی سلسله مراتبی
• 15. کاهش ابعاد: PCA
• 16. انتخاب ویژگی با استفاده از روش‌های آماری
• 17. شبکه‌های عصبی مصنوعی: معرفی
• 18. پرceptron و الگوریتم یادگیری آن
• 19. شبکه‌های عصبی چندلایه (MLP)
• 20. بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 21. انتشار پس‌رو (Backpropagation)
• 22. تابع فعال‌سازی (Activation Function)
• 23. تنظیم‌کننده‌ها (Regularization) برای جلوگیری از بیش‌برازش
• 24. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 25. لایه کانولوشنی و لایه Pooling
• 26. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های سری زمانی
• 27. حافظه کوتاه‌مدت بلند (LSTM)
• 28. شبکه‌های مولد تخاصمی (GAN)
• 29. یادگیری تقویتی: مبانی و مفاهیم
• 30. Q-learning و الگوریتم‌های مرتبط
• 31. سیاست‌گرادیان (Policy Gradient)
• 32. کاربرد یادگیری ماشین در تشخیص تقلب
• 33. کاربرد یادگیری ماشین در پیش‌بینی قیمت
• 34. کاربرد یادگیری ماشین در پردازش زبان طبیعی (NLP)
• 35. نمایش متن: Bag of Words و TF-IDF
• 36. مدل‌های زبانی (Language Models)
• 37. خلاصه سازی متن
• 38. تحلیل احساسات
• 39. سیستم‌های توصیه‌گر
• 40. یادگیری ماشین خودکار (AutoML)
• 41. استقرار مدل‌های یادگیری ماشین
• 42. مقایسه کتابخانه‌های یادگیری ماشین: Scikit-learn، TensorFlow، PyTorch
• 43. چالش‌ها و محدودیت‌های یادگیری ماشین
• 44. اخلاق در یادگیری ماشین و سوگیری الگوریتمی
• 45. آینده یادگیری ماشین و روندهای نوظهور