کتاب صوتی هوش مصنوعی توضیح‌پذیر (XAI)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی توضیح‌پذیر (XAI)

موضوع کلی: زیستن در عصر هوش مصنوعی

موضوع میانی: تفسیرپذیری مدل‌ها

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی
• 2. یادگیری ماشین: مقدمه و انواع
• 3. شبکه‌های عصبی مصنوعی: ساختار و عملکرد
• 4. الگوریتم‌های دسته‌بندی: روش‌ها و کاربردها
• 5. رگرسیون در یادگیری ماشین
• 6. ارزیابی مدل‌های یادگیری ماشین
• 7. بیش‌برازش و کم‌برازش: تشخیص و راه‌حل‌ها
• 8. انتخاب ویژگی: روش‌ها و اهمیت
• 9. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 10. مهندسی ویژگی: ایجاد ویژگی‌های مؤثر
• 11. مقدمه‌ای بر یادگیری عمیق
• 12. شبکه‌های عصبی کانولوشنال (CNN)
• 13. شبکه‌های عصبی بازگشتی (RNN)
• 14. پردازش زبان طبیعی (NLP)
• 15. مدل‌های زبانی بزرگ (LLM)
• 16. مقدمه‌ای بر هوش مصنوعی توضیح‌پذیر (XAI)
• 17. اهمیت XAI: چرا به آن نیاز داریم؟
• 18. چالش‌های مدل‌های جعبه سیاه
• 19. روش‌های تفسیر مدل‌های یادگیری ماشین
• 20. LIME: توضیح‌دهی محلی مدل
• 21. SHAP: ارزش‌های شاپلی و تفسیر مدل
• 22. تفسیر مبتنی بر گرادیان
• 23. ویژگی‌های مهم در XAI
• 24. تفسیرپذیری مدل‌های درختی تصمیم
• 25. تفسیرپذیری مدل‌های خطی
• 26. تفسیرپذیری شبکه‌های عصبی
• 27. XAI در تشخیص تصاویر
• 28. XAI در پردازش زبان طبیعی
• 29. XAI در داده‌های جدولی
• 30. ارزیابی روش‌های XAI
• 31. مقایسه روش‌های XAI مختلف
• 32. XAI و امنیت سایبری
• 33. XAI و حریم خصوصی
• 34. XAI و اخلاق هوش مصنوعی
• 35. XAI در تشخیص تقلب
• 36. XAI در حوزه سلامت
• 37. XAI در سیستم‌های توصیه‌گر
• 38. XAI برای تصمیم‌گیری بالینی
• 39. XAI در خودروهای خودران
• 40. XAI و نظارت بر عملکرد مدل
• 41. XAI و تشخیص سوگیری در مدل‌ها
• 42. بهبود مدل با استفاده از XAI
• 43. توسعه رابط‌های کاربری XAI
• 44. ابزارهای XAI: معرفی و مقایسه
• 45. XAI و قانون‌گذاری هوش مصنوعی