دوره رویکردهای مبتنی بر بیان برای یادگیری ماشین: از مدل‌سازی تا کاربردها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رویکردهای مبتنی بر بیان برای یادگیری ماشین: از مدل‌سازی تا کاربردها

موضوع کلی: یادگیری ماشین و داده‌کاوی

موضوع میانی: روش‌های پیشرفته یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و داده‌کاوی
• 2. بیان و مدل‌سازی در یادگیری ماشین
• 3. مفاهیم پایه‌ای جبر خطی برای یادگیری ماشین
• 4. آمار و احتمال در یادگیری ماشین
• 5. پیش‌پردازش داده‌ها و پاکسازی
• 6. انتخاب ویژگی و کاهش ابعاد
• 7. ارزیابی مدل و معیارهای عملکرد
• 8. بیش‌برازش و کم‌برازش: تشخیص و راه‌حل‌ها
• 9. رگرسیون خطی و چندگانه
• 10. رگرسیون لجستیک
• 11. درخت‌های تصمیم‌گیری
• 12. جنگل‌های تصادفی
• 13. ماشین‌های بردار پشتیبان (SVM)
• 14. نرمال‌سازی و استانداردسازی داده‌ها
• 15. روش‌های خوشه‌بندی: K-Means
• 16. خوشه‌بندی سلسله مراتبی
• 17. تحلیل مولفه‌های اصلی (PCA)
• 18. یادگیری ماشین بدون نظارت
• 19. یادگیری ماشین با نظارت
• 20. یادگیری تقویتی
• 21. شبکه‌های عصبی مصنوعی: مفاهیم پایه
• 22. شبکه‌های عصبی عمیق
• 23. بهینه‌سازی گرادیان کاهشی
• 24. انتشار پس‌رو (Backpropagation)
• 25. شبکه‌های عصبی پیچشی (CNN)
• 26. شبکه‌های عصبی بازگشتی (RNN)
• 27. پردازش زبان طبیعی (NLP)
• 28. مدل‌های زبانی
• 29. تحلیل احساسات
• 30. خوشه‌بندی متن
• 31. طبقه‌بندی متن
• 32. سیستم‌های توصیه‌گر
• 33. یادگیری ماشین در تشخیص تصاویر
• 34. یادگیری ماشین در تشخیص صدا
• 35. یادگیری ماشین در داده‌های سری زمانی
• 36. مدل‌سازی سری‌های زمانی با ARIMA
• 37. پیش‌بینی با استفاده از شبکه‌های عصبی
• 38. تعبیرپذیری مدل‌های یادگیری ماشین
• 39. روش‌های کاهش ابعاد غیرخطی: t-SNE
• 40. یادگیری ماشین و حریم خصوصی
• 41. یادگیری فدرال
• 42. یادگیری انتقالی
• 43. یادگیری خودنظارتی
• 44. مدل‌های بیزی
• 45. استنتاج بیزی
• 46. مدل‌های گرافیکی
• 47. مدل‌های مارکوف پنهان
• 48. یادگیری ماشین در تشخیص تقلب
• 49. یادگیری ماشین در تحلیل ریسک
• 50. یادگیری ماشین در بازاریابی
• 51. یادگیری ماشین در پزشکی
• 52. یادگیری ماشین در مالی
• 53. یادگیری ماشین در کشاورزی
• 54. یادگیری ماشین در مهندسی
• 55. مفاهیم پایه‌ای برنامه‌نویسی پایتون برای یادگیری ماشین
• 56. کتابخانه‌های پایتون برای یادگیری ماشین: NumPy
• 57. کتابخانه‌های پایتون برای یادگیری ماشین: Pandas
• 58. کتابخانه‌های پایتون برای یادگیری ماشین: Scikit-learn
• 59. کتابخانه‌های پایتون برای یادگیری ماشین: TensorFlow
• 60. کتابخانه‌های پایتون برای یادگیری ماشین: Keras
• 61. کتابخانه‌های پایتون برای یادگیری ماشین: PyTorch
• 62. ابزارهای تجسم داده‌ها در پایتون: Matplotlib
• 63. ابزارهای تجسم داده‌ها در پایتون: Seaborn
• 64. بهینه‌سازی هایپرپارامترها
• 65. اعتبارسنجی متقابل (Cross-validation)
• 66. تکنیک‌های ensemble learning
• 67. انتخاب مدل و مقایسه
• 68. یادگیری ماشین و محاسبات ابری
• 69. استقرار مدل‌های یادگیری ماشین
• 70. معماری میکروسرویس‌ها برای یادگیری ماشین
• 71. مدیریت چرخه حیات مدل‌های یادگیری ماشین (MLOps)
• 72. اخلاق در یادگیری ماشین
• 73. تأثیرات اجتماعی یادگیری ماشین
• 74. تفسیر نتایج مدل‌های یادگیری ماشین
• 75. تحلیل خطا در مدل‌های یادگیری ماشین
• 76. یادگیری ماشین و داده‌های بزرگ
• 77. پردازش داده‌های جریانی
• 78. یادگیری ماشین در لبه (Edge Machine Learning)
• 79. یادگیری ماشین و اینترنت اشیا (IoT)
• 80. یادگیری ماشین و امنیت سایبری
• 81. یادگیری ماشین و رباتیک
• 82. یادگیری ماشین و بینایی ماشین
• 83. یادگیری ماشین و پردازش سیگنال
• 84. یادگیری ماشین و داده‌کاوی متنی
• 85. یادگیری ماشین و تحلیل شبکه‌های اجتماعی
• 86. یادگیری ماشین و داده‌های جغرافیایی
• 87. یادگیری ماشین و تحلیل تصویر پزشکی
• 88. یادگیری ماشین و پیش‌بینی آب و هوا
• 89. یادگیری ماشین و بازار بورس
• 90. یادگیری ماشین و مدیریت زنجیره تأمین
• 91. یادگیری ماشین و تشخیص الگو
• 92. یادگیری ماشین و سیستم‌های خبره
• 93. یادگیری ماشین و بازی‌های کامپیوتری
• 94. یادگیری ماشین و هوش مصنوعی توضیحی (XAI)