دوره پیاده‌سازی کاربردی الگوریتم‌های یادگیری ماشین با استفاده از زبان برنامه‌نویسی جولیا و کتابخانه JuMP همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی کاربردی الگوریتم‌های یادگیری ماشین با استفاده از زبان برنامه‌نویسی جولیا و کتابخانه JuMP

موضوع کلی: علوم محاسباتی و مهندسی داده

موضوع میانی: بهینه‌سازی ریاضی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی زبان برنامه‌نویسی جولیا برای محاسبات عددی
• 2. نصب و راه‌اندازی محیط توسعه برای یادگیری ماشین و بهینه‌سازی
• 3. آشنایی با ساختارهای داده و ماتریس‌ها در جولیا
• 4. مفاهیم پایه در مدل‌سازی ریاضی با JuMP
• 5. ساختار مدل‌های بهینه‌سازی در JuMP و حل‌کننده‌های مجاز
• 6. تعریف متغیرها و محدودیت‌های خطی در مسائل بهینه‌سازی
• 7. توابع هدف و توابع هزینه در مدل‌سازی یادگیری ماشین
• 8. بهینه‌سازی کمترین مربعات خطی با استفاده از JuMP
• 9. پیاده‌سازی رگرسیون خطی ساده با رویکرد بهینه‌سازی
• 10. رگرسیون چندگانه و تحلیل ماتریسی داده‌ها
• 11. بررسی توابع زیان و نقش آن‌ها در مدل‌های یادگیری
• 12. الگوریتم‌های گرادیان کاهشی و پیاده‌سازی در جولیا
• 13. مفاهیم بهینه‌سازی محدب و کاربرد آن در مدل‌های آماری
• 14. پیاده‌سازی رگرسیون لجستیک برای مسائل طبقه‌بندی
• 15. کاربرد توابع فعال‌ساز در مدل‌های محاسباتی
• 16. مدل‌سازی مسائل طبقه‌بندی باینری با JuMP
• 17. تکنیک‌های منظم‌سازی (Regularization) برای جلوگیری از بیش‌برازش
• 18. پیاده‌سازی رگرسیون ریج (Ridge) و لاسو (Lasso)
• 19. ارزیابی مدل‌های یادگیری ماشین با معیارهای آماری
• 20. آشنایی با کتابخانه‌های پردازش داده در جولیا
• 21. پیش‌پردازش داده‌ها و نرمال‌سازی برای الگوریتم‌های بهینه‌سازی
• 22. مدل‌سازی یادگیری ماشین تحت محدودیت‌های فیزیکی و مهندسی
• 23. ترکیب یادگیری ماشین و بهینه‌سازی در مسائل تصمیم‌گیری
• 24. الگوریتم‌های خوشه‌بندی و پیاده‌سازی با بهینه‌سازی ریاضی
• 25. بهینه‌سازی مدل‌های مبتنی بر درخت تصمیم
• 26. مبانی شبکه‌های عصبی مصنوعی با رویکرد بهینه‌سازی
• 27. پیاده‌سازی لایه‌های شبکه عصبی با استفاده از JuMP
• 28. بهینه‌سازی هایپرپارامترها در مدل‌های یادگیری ماشین
• 29. کاربرد برنامه‌ریزی عدد صحیح در یادگیری ماشین
• 30. مدل‌سازی مسائل انتخاب ویژگی (Feature Selection)
• 31. بهینه‌سازی مدل‌های سری زمانی با استفاده از جولیا
• 32. پیاده‌سازی الگوریتم‌های ماشین بردار پشتیبان (SVM)
• 33. بهینه‌سازی مدل‌های یادگیری عمیق در مقیاس کوچک
• 34. تحلیل حساسیت در مدل‌های بهینه‌سازی یادگیری ماشین
• 35. روش‌های بهینه‌سازی توزیع‌شده برای داده‌های حجیم
• 36. مدیریت حافظه و کارایی در پیاده‌سازی الگوریتم‌ها
• 37. اعتبارسنجی متقاطع (Cross-Validation) در مدل‌سازی
• 38. کاربرد بهینه‌سازی در سیستم‌های توصیه‌گر ساده
• 39. مستندسازی و گزارش‌دهی نتایج مدل‌های محاسباتی
• 40. پروژه نهایی: طراحی و پیاده‌سازی یک مدل یادگیری ماشین با JuMP