کتاب صوتی اصول و الگوریتم‌های یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول و الگوریتم‌های یادگیری ماشین

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری ماشین (Machine Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین: تعریف، انواع و کاربردها
• 2. یادگیری نظارت‌شده در مقابل یادگیری بدون نظارت و نیمه‌نظارت‌شده
• 3. آماده‌سازی داده‌ها: پاکسازی، تبدیل و نرمال‌سازی
• 4. انتخاب ویژگی (Feature Selection) و مهندسی ویژگی (Feature Engineering)
• 5. ارزیابی مدل‌های یادگیری ماشین: معیارهای عملکرد
• 6. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting): تشخیص و راه‌حل‌ها
• 7. اعتبارسنجی متقابل (Cross-Validation)
• 8. رگرسیون خطی ساده و چندگانه
• 9. رگرسیون لجستیک
• 10. درخت‌های تصمیم‌گیری (Decision Trees)
• 11. جنگل تصادفی (Random Forest)
• 12. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 13. K-نزدیک‌ترین همسایه (K-Nearest Neighbors - KNN)
• 14. خوشه‌بندی K-میانگین (K-Means Clustering)
• 15. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 16. تحلیل مولفه‌های اصلی (Principal Component Analysis - PCA)
• 17. یادگیری ماشین تقویتی (Reinforcement Learning) - مقدمه
• 18. Q-Learning
• 19. شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN) - مفاهیم پایه
• 20. تابع فعال‌سازی (Activation Functions)
• 21. الگوریتم پس‌انتشار (Backpropagation)
• 22. بهینه‌سازها (Optimizers) - گرادیان کاهشی، Adam و غیره
• 23. شبکه‌های عصبی کانولوشنال (Convolutional Neural Networks - CNN) - مقدمه
• 24. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN) - مقدمه
• 25. Long Short-Term Memory (LSTM)
• 26. Autoencoders
• 27. یادگیری انتقالی (Transfer Learning)
• 28. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 29. مدل‌های احتمالی بیزی (Bayesian Models)
• 30. روش‌های ensemble (ترکیب مدل‌ها) - Bagging و Boosting
• 31. Gradient Boosting
• 32. XGBoost, LightGBM, CatBoost
• 33. انتخاب مدل و تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 34. Grid Search و Randomized Search
• 35. یادگیری ماشین قابل توضیح (Explainable AI - XAI)
• 36. کاربرد یادگیری ماشین در پردازش زبان طبیعی (NLP)
• 37. کاربرد یادگیری ماشین در بینایی کامپیوتر (Computer Vision)
• 38. کاربرد یادگیری ماشین در تشخیص تقلب
• 39. کاربرد یادگیری ماشین در سیستم‌های توصیه‌گر
• 40. مقایسه و انتخاب الگوریتم مناسب برای مسائل مختلف
• 41. پیاده‌سازی یک پروژه یادگیری ماشین end-to-end
• 42. استقرار مدل‌های یادگیری ماشین (Model Deployment)
• 43. نکات پیشرفته در بهینه‌سازی عملکرد مدل