کتاب مبانی نظری و کاربردهای تقویت‌کننده عمومی (Generalized Boosting) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی نظری و کاربردهای تقویت‌کننده عمومی (Generalized Boosting)

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و تقویت‌کننده
• 2. مبانی تقویت‌کننده کلاسیک
• 3. مدل‌های تقویت‌کننده خطی
• 4. تقویت‌کننده گرادیان کاهشی
• 5. تابع زیان و گرادیان
• 6. الگوریتم تقویت‌کننده لی و بوستینگ
• 7. تنظیم پارامترهای تقویت‌کننده
• 8. تکنیک‌های تنظیم (Regularization)
• 9. تقویت‌کننده با درختان تصمیم
• 10. درختان تصمیم قابل‌تنظیم
• 11. تقویت‌کننده با درختان تصمیم عمیق
• 12. تقویت‌کننده با درختان تصمیم سطحی
• 13. تحلیل آماری تقویت‌کننده
• 14. همگرایی الگوریتم‌های تقویت‌کننده
• 15. پیچیدگی محاسباتی تقویت‌کننده
• 16. روش‌های ارزیابی مدل‌های تقویت‌کننده
• 17. اعتبارسنجی متقابل (Cross-validation)
• 18. انتخاب بهترین مدل تقویت‌کننده
• 19. کاربردهای تقویت‌کننده در طبقه‌بندی
• 20. کاربردهای تقویت‌کننده در رگرسیون
• 21. تقویت‌کننده برای داده‌های نامتوازن
• 22. مقدمه‌ای بر تقویت‌کننده عمومی (Generalized Boosting)
• 23. تفاوت تقویت‌کننده عمومی و کلاسیک
• 24. چارچوب ریاضی تقویت‌کننده عمومی
• 25. توابع زیان دلخواه در تقویت‌کننده عمومی
• 26. بهینه‌سازی توابع زیان غیرمحدب
• 27. الگوریتم‌های تقویت‌کننده عمومی
• 28. تکنیک‌های نمونه‌برداری در تقویت‌کننده عمومی
• 29. مقدمه‌ای بر تقویت‌کننده کوانتومی
• 30. تقویت‌کننده کوانتومی با گیت‌های خطی
• 31. کاربردهای تقویت‌کننده کوانتومی
• 32. یادگیری تقویتی با عامل‌های هوشمند
• 33. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 34. ساختارهای شبکه‌های عصبی
• 35. توابع فعال‌سازی در شبکه‌های عصبی
• 36. آموزش شبکه‌های عصبی با پس‌انتشار خطا
• 37. شبکه‌های عصبی کانولوشنال (CNN)
• 38. کاربردهای CNN در بینایی ماشین
• 39. شبکه‌های عصبی بازگشتی (RNN)
• 40. کاربردهای RNN در پردازش زبان طبیعی
• 41. حافظه طولانی کوتاه‌مدت (LSTM)
• 42. شبکه‌های عصبی ترنسفورمر
• 43. مقدمه‌ای بر پردازش زبان طبیعی
• 44. مدل‌های زبانی آماری
• 45. مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 46. تحلیل احساسات با استفاده از یادگیری ماشین
• 47. ترجمه ماشینی با شبکه‌های عصبی
• 48. مدل‌های تولید متن
• 49. مقدمه‌ای بر بینایی ماشین
• 50. تشخیص اشیاء با CNN
• 51. تقسیم‌بندی تصاویر (Image Segmentation)
• 52. تولید تصاویر با شبکه‌های مولد تخاصمی (GAN)
• 53. مقدمه‌ای بر یادگیری عمیق در رباتیک
• 54. کنترل ربات با یادگیری تقویتی
• 55. یادگیری عمیق برای ربات‌های خودمختار
• 56. مقدمه‌ای بر یادگیری ماشین در داده‌های حجیم
• 57. سیستم‌های توزیع‌شده برای یادگیری ماشین
• 58. چارچوب‌های پردازش داده‌های حجیم
• 59. مقدمه‌ای بر یادگیری ماشین امن
• 60. حفظ حریم خصوصی در یادگیری ماشین
• 61. یادگیری فدرال (Federated Learning)
• 62. مقدمه‌ای بر تفسیرپذیری مدل‌های یادگیری ماشین
• 63. روش‌های توضیح‌پذیری مدل‌های یادگیری ماشین
• 64. تجسم‌پذیری مدل‌های یادگیری ماشین
• 65. مقدمه‌ای بر یادگیری ماشین قابل‌اعتماد
• 66. سوگیری در مدل‌های یادگیری ماشین
• 67. کاهش سوگیری در مدل‌های یادگیری ماشین
• 68. عدالت در الگوریتم‌های یادگیری ماشین
• 69. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 70. مسئولیت‌پذیری در هوش مصنوعی
• 71. تأثیر هوش مصنوعی بر جامعه
• 72. مقدمه‌ای بر یادگیری عمیق در علوم پزشکی
• 73. تشخیص بیماری با یادگیری عمیق
• 74. کشف دارو با یادگیری عمیق
• 75. یادگیری عمیق در تصویربرداری پزشکی
• 76. مقدمه‌ای بر یادگیری عمیق در علوم مالی
• 77. پیش‌بینی بازارهای مالی
• 78. تشخیص تقلب با یادگیری عمیق
• 79. مدیریت پرتفوی با یادگیری ماشین
• 80. مقدمه‌ای بر یادگیری ماشین در علوم محیطی
• 81. پیش‌بینی تغییرات آب و هوایی
• 82. مدیریت منابع طبیعی با یادگیری ماشین
• 83. مقدمه‌ای بر یادگیری ماشین در کشاورزی هوشمند
• 84. پیش‌بینی محصولات کشاورزی
• 85. مدیریت بهینه منابع در کشاورزی
• 86. مقدمه‌ای بر یادگیری ماشین در آموزش
• 87. شخصی‌سازی فرآیند یادگیری
• 88. سیستم‌های توصیه‌گر در آموزش
• 89. مقدمه‌ای بر یادگیری ماشین در حقوق
• 90. تحلیل اسناد حقوقی
• 91. پیش‌بینی نتایج پرونده‌های قضایی
• 92. مقدمه‌ای بر یادگیری ماشین در حمل و نقل
• 93. بهینه‌سازی ترافیک
• 94. خودروهای خودران
• 95. مقدمه‌ای بر یادگیری ماشین در امنیت سایبری
• 96. تشخیص نفوذ
• 97. تحلیل بدافزارها
• 98. مقدمه‌ای بر یادگیری ماشین در بازی‌ها
• 99. هوش مصنوعی در بازی‌های کامپیوتری
• 100. یادگیری تقویتی برای توسعه بازی