کتاب صوتی پیش‌بینی و کنترل سیستم‌ها با DES و ML

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی و کنترل سیستم‌ها با DES و ML

موضوع کلی: برنامه‌نویسی کامپیوترهای خانگی

موضوع میانی: AI for AI Discrete Event Simulation

📋 سرفصل‌های دوره

• 1. مدل‌سازی و شبیه‌سازی سیستم‌های دینامیکی
• 2. مقدمه‌ای بر سیستم‌های چند ورودی چند خروجی (MIMO)
• 3. تکنیک‌های خطی‌سازی سیستم‌های غیرخطی
• 4. شناسایی سیستم با استفاده از داده‌های ورودی-خروجی
• 5. تخمین فضای حالت با الگوریتم‌های کالمن
• 6. فیلتر کالمن پایه و کاربردهای آن
• 7. فیلتر کالمن توسعه‌یافته (EKF)
• 8. فیلتر ذرات (Particle Filter)
• 9. پیش‌بینی مدل پیش‌بین (Model Predictive Control - MPC)
• 10. طراحی MPC با قیود
• 11. بهینه‌سازی زمان‌گسسته در MPC
• 12. استفاده از مدل‌های غیرخطی در MPC
• 13. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 14. رگرسیون خطی برای پیش‌بینی سیستم
• 15. رگرسیون چندجمله‌ای و مدل‌سازی غیرخطی
• 16. درخت‌های تصمیم و جنگل‌های تصادفی در پیش‌بینی
• 17. ماشین‌های بردار پشتیبان (SVM) برای طبقه‌بندی و رگرسیون
• 18. شبکه‌های عصبی مصنوعی (ANN) و کاربرد آن‌ها در سیستم‌ها
• 19. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های سری زمانی
• 20. شبکه‌های حافظه طولانی‌کوتاه مدت (LSTM)
• 21. شبکه‌های عصبی پیچشی (CNN) برای پردازش سیگنال
• 22. انتخاب ویژگی و کاهش ابعاد داده
• 23. اعتبارسنجی مدل و جلوگیری از بیش‌برازش (Overfitting)
• 24. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 25. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 26. یادگیری تقویتی مبتنی بر Q-Learning
• 27. یادگیری تقویتی مبتنی بر سیاست (Policy Gradient)
• 28. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 29. استفاده از یادگیری تقویتی برای کنترل بهینه
• 30. ترکیب DES و ML برای پیش‌بینی پیشرفته
• 31. بهبود دقت پیش‌بینی با استفاده از یادگیری انتقالی (Transfer Learning)
• 32. استخراج ویژگی از داده‌های سیستم با استفاده از ML
• 33. تشخیص ناهنجاری در سیستم‌ها با استفاده از ML
• 34. کنترل تطبیقی با استفاده از الگوریتم‌های ML
• 35. طراحی سیستم‌های کنترل هوشمند
• 36. استفاده از یادگیری ماشین برای تخمین پارامترهای سیستم
• 37. مدل‌سازی سیستم‌های پیچیده با استفاده از شبکه‌های بیزی
• 38. تحلیل حساسیت مدل و شناسایی پارامترهای کلیدی
• 39. طراحی سیستم‌های مقاوم به خطا با استفاده از یادگیری ماشین
• 40. پیش‌بینی خرابی تجهیزات با استفاده از ML
• 41. بهینه‌سازی عملکرد سیستم با استفاده از الگوریتم‌های تکاملی
• 42. کنترل سیستم‌های توزیع‌شده با استفاده از ML
• 43. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 44. یادگیری فعال برای کاهش هزینه جمع‌آوری داده
• 45. استفاده از یادگیری فعال در کنترل سیستم‌های روباتیک