دوره نظریه اطلاعات و کاربرد در تشخیص الگو همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره نظریه اطلاعات و کاربرد در تشخیص الگو

موضوع کلی: پردازش داده و الگو

موضوع میانی: مبانی نظری و ریاضیاتی یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نظریه اطلاعات
• 2. آنتروپی و اندازه‌گیری عدم قطعیت
• 3. منبع اطلاعات و کدگذاری
• 4. کدگذاری هافمن و کدگذاری پیشوندی
• 5. کدگذاری شانون-فانو
• 6. کانال‌های ارتباطی و ظرفیت کانال
• 7. قضیه کدگذاری کانال
• 8. خطاهای کانال و تصحیح خطا
• 9. کدهای تصحیح خطا (خطی)
• 10. کدهای همبستگی
• 11. مقدمه‌ای بر یادگیری ماشین
• 12. یادگیری با نظارت و بدون نظارت
• 13. رگرسیون خطی و حداقل مربعات
• 14. رگرسیون لجستیک و طبقه‌بندی
• 15. درخت‌های تصمیم و جنگل تصادفی
• 16. ماشین‌های بردار پشتیبان (SVM)
• 17. نظریه کرنل و توابع کرنل
• 18. شبکه‌های عصبی مصنوعی (ANN)
• 19. یادگیری عمیق و معماری‌های شبکه
• 20. الگوریتم پس‌انتشار خطا
• 21. بهینه‌سازی گرادیان کاهشی
• 22. شبکه‌های عصبی پیچشی (CNN)
• 23. شبکه‌های عصبی بازگشتی (RNN)
• 24. پردازش زبان طبیعی (NLP) با شبکه‌های عصبی
• 25. مقدمه‌ای بر خوشه‌بندی
• 26. الگوریتم K-means
• 27. خوشه‌بندی سلسله‌مراتبی
• 28. تحلیل مولفه‌های اصلی (PCA)
• 29. کاهش ابعاد و تجسم داده‌ها
• 30. انتخاب ویژگی و مهندسی ویژگی
• 31. مقدمه‌ای بر مدل‌های پنهان مارکوف (HMM)
• 32. کاربرد HMM در تشخیص گفتار
• 33. تشخیص الگو با استفاده از HMM
• 34. مقدمه‌ای بر فرآیندهای گاوسی
• 35. مدل‌های ترکیبی گاوسی (GMM)
• 36. خوشه‌بندی با استفاده از GMM
• 37. تخمین چگالی احتمال
• 38. مقدمه‌ای بر نظریه بازی‌ها
• 39. استراتژی‌های بازی و تعادل نش
• 40. یادگیری تقویتی و الگوریتم Q-learning
• 41. تشخیص ناهنجاری و داده‌های پرت
• 42. مقدمه‌ای بر داده‌کاوی
• 43. قوانین وابستگی و الگوریتم Apriori
• 44. تحلیل سبد خرید
• 45. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 46. فیلترسازی مشارکتی
• 47. توصیه‌گرهای مبتنی بر محتوا
• 48. مقدمه‌ای بر پردازش تصویر
• 49. فیلترهای تصویر و تبدیلات
• 50. تشخیص لبه و ویژگی‌ها
• 51. تشخیص اشیاء در تصاویر
• 52. مقدمه‌ای بر ویدئو و پردازش ویدئو
• 53. تشخیص حرکت در ویدئو
• 54. مقدمه‌ای بر داده‌های سری زمانی
• 55. پیش‌بینی سری زمانی با مدل‌های ARIMA
• 56. تحلیل طیفی و تبدیل فوریه
• 57. مقدمه‌ای بر داده‌های مکانی
• 58. نقشه‌های حرارتی و تحلیل تراکم
• 59. مقدمه‌ای بر داده‌های شبکه‌ای
• 60. تحلیل مرکزی و جامعه شبکه‌ای
• 61. مقدمه‌ای بر داده‌های متنی
• 62. مدل‌سازی موضوعی با استفاده از LDA
• 63. تحلیل احساسات و استخراج نظرات
• 64. مقدمه‌ای بر یادگیری نیمه نظارتی
• 65. یادگیری فعال و انتخاب نمونه
• 66. مقدمه‌ای بر یادگیری انتقالی
• 67. استفاده از مدل‌های از پیش آموزش‌دیده
• 68. مقدمه‌ای بر یادگیری چند نمونه‌ای
• 69. یادگیری با داده‌های ناقص
• 70. مقدمه‌ای بر یادگیری گروهی
• 71. ترکیب مدل‌ها و افزایش دقت
• 72. مقدمه‌ای بر یادگیری تقویتی عمیق
• 73. مقدمه‌ای بر یادگیری خود نظارتی
• 74. مقدمه‌ای بر یادگیری فدرال
• 75. مقدمه‌ای بر اخلاق در یادگیری ماشین
• 76. عدالت و سوگیری در الگوریتم‌ها
• 77. حریم خصوصی و امنیت داده‌ها
• 78. تفسیرپذیری مدل‌های یادگیری ماشین
• 79. ارزیابی و اعتبارسنجی مدل‌ها
• 80. انتخاب معیار ارزیابی مناسب
• 81. تکنیک‌های اعتبارسنجی متقابل
• 82. تنظیم هایپرپارامترها
• 83. مقدمه‌ای بر بهینه‌سازی محدب
• 84. توابع محدب و الگوریتم‌های بهینه‌سازی
• 85. مقدمه‌ای بر جبر خطی برای یادگیری ماشین
• 86. فضاهای برداری و مقادیر ویژه
• 87. مقدمه‌ای بر حساب دیفرانسیل و انتگرال برای یادگیری ماشین
• 88. مشتق و گرادیان
• 89. مقدمه‌ای بر احتمال و آمار برای یادگیری ماشین
• 90. توزیع‌های احتمال و آزمون فرضیه
• 91. مقدمه‌ای بر توزیع‌های احتمال گسسته
• 92. مقدمه‌ای بر توزیع‌های احتمال پیوسته
• 93. مقدمه‌ای بر استنباط بیزی
• 94. تئوری تصمیم‌گیری
• 95. روش‌های نمونه‌برداری
• 96. آزمون‌های آماری برای یادگیری ماشین
• 97. تحلیل واریانس (ANOVA)
• 98. آزمون‌های ناپارامتریک
• 99. مقدمه‌ای بر روش‌های مبتنی بر فاصله
• 100. فاصله اقلیدسی و فاصله منهتن