کتاب مهندسی هوشمند: اصول و کاربردهای یادگیری ماشین در حل مسائل صنعتی و علمی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی هوشمند: اصول و کاربردهای یادگیری ماشین در حل مسائل صنعتی و علمی

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری ماشین (Machine Learning)

📋 سرفصل‌های دوره

• 1. مبانی و تعاریف پایه در یادگیری ماشین
• 2. نقش یادگیری ماشین در تحول صنایع نوین
• 3. آشنایی با محیط برنامه‌نویسی و کتابخانه‌های استاندارد پایتون
• 4. جمع‌آوری و پیش‌پردازش داده‌های صنعتی
• 5. پاک‌سازی داده‌ها و مدیریت مقادیر مفقود
• 6. روش‌های استانداردسازی و نرمال‌سازی داده‌ها
• 7. تحلیل اکتشافی داده‌ها برای استخراج ویژگی‌های کلیدی
• 8. کاهش ابعاد و تحلیل مؤلفه‌های اصلی
• 9. مبانی یادگیری نظارت‌شده و دسته‌بندی مسائل
• 10. الگوریتم رگرسیون خطی و کاربردهای آن در پیش‌بینی
• 11. ارزیابی دقت مدل‌های رگرسیون
• 12. الگوریتم رگرسیون لجستیک برای مسائل طبقه‌بندی
• 13. ارزیابی عملکرد مدل‌های طبقه‌بندی ماتریس درهم‌ریختگی
• 14. ماشین‌های بردار پشتیبان و تحلیل حاشیه
• 15. درخت‌های تصمیم و الگوریتم‌های مبتنی بر قوانین
• 16. جنگل‌های تصادفی و یادگیری تجمعی
• 17. الگوریتم‌های تقویت گرادیان برای بهینه‌سازی پیش‌بینی‌ها
• 18. مقدمه‌ای بر یادگیری غیرنظارت‌شده و خوشه‌بندی
• 19. الگوریتم کا-میانگین در تحلیل داده‌های صنعتی
• 20. روش‌های سلسله‌مراتبی در خوشه‌بندی داده‌ها
• 21. مبانی شبکه‌های عصبی مصنوعی و یادگیری عمیق
• 22. ساختار لایه‌ها و توابع فعال‌ساز در شبکه‌های عصبی
• 23. الگوریتم پس‌انتشار خطا و بهینه‌سازی وزن‌ها
• 24. مدیریت بیش‌برازش و تکنیک‌های منظم‌سازی
• 25. یادگیری انتقال و کاربرد مدل‌های پیش‌آموزش‌دیده
• 26. مقدمه‌ای بر بینایی ماشین و پردازش تصویر
• 27. تشخیص اشیاء در محیط‌های صنعتی
• 28. پردازش متن و استخراج اطلاعات از گزارش‌ها
• 29. مبانی یادگیری تقویت‌شده و تصمیم‌گیری هوشمند
• 30. کاربرد یادگیری ماشین در نگهداری و تعمیرات پیش‌بینانه
• 31. بهینه‌سازی زنجیره تأمین با استفاده از مدل‌های پیش‌گو
• 32. تحلیل سری‌های زمانی در داده‌های حسگرهای صنعتی
• 33. تشخیص ناهنجاری در سیستم‌های کنترل فرآیند
• 34. مدیریت داده‌های حجیم و مقیاس‌پذیری مدل‌ها
• 35. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در الگوریتم‌ها
• 36. رعایت حریم خصوصی و امنیت داده‌ها در پروژه‌های هوشمند
• 37. مستندسازی و گزارش‌دهی نتایج مدل‌های یادگیری ماشین
• 38. استقرار مدل‌ها در محیط‌های عملیاتی
• 39. نظارت بر عملکرد مدل و بازآموزی دوره‌ای
• 40. پروژه‌های عملی و حل مسائل واقعی صنعتی