فلش‌کارت‌های آموزشی نظریه الگوریتمی یادگیری: درک عمیق مبانی هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره نظریه الگوریتمی یادگیری: درک عمیق مبانی هوش مصنوعی

موضوع کلی: یادگیری ماشین

موضوع میانی: نظریه یادگیری محاسباتی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و هوش مصنوعی
• 2. مروری بر مفاهیم احتمالاتی و آمار
• 3. فضای فرضیه و پیچیدگی
• 4. خطای آموزش و خطای تعمیم
• 5. Bias-Variance Tradeoff
• 6. VC Dimension: معرفی و شهود
• 7. محاسبه VC Dimension برای توابع ساده
• 8. VC Dimension و قابلیت یادگیری
• 9. قضایا و کران‌های VC Dimension
• 10. Growth Function و کران‌های یکنواخت
• 11. Sauer's Lemma
• 12. Rademacher Complexity: معرفی و شهود
• 13. محاسبه Rademacher Complexity برای توابع ساده
• 14. Rademacher Complexity و قابلیت یادگیری
• 15. کران‌های Rademacher Complexity
• 16. Margins و Boosting
• 17. AdaBoost و تحلیل تئوریک آن
• 18. کران‌های Boosting بر اساس Margin
• 19. Kernel Methods: معرفی و شهود
• 20. Kernel Trick و فضای ویژگی ضمنی
• 21. Representer Theorem
• 22. ماشین‌های بردار پشتیبان (SVM)
• 23. Regularization: معرفی و شهود
• 24. Regularization L1 و L2
• 25. Regularization و تعمیم
• 26. مدل‌های خطی و Logistic Regression
• 27. تحلیل تئوریک Logistic Regression
• 28. یادگیری آنلاین: معرفی و شهود
• 29. Halving Algorithm
• 30. Perceptron Algorithm
• 31. Mistake Bound Model
• 32. Winnow Algorithm
• 33. Exponential Weights Algorithm
• 34. Follow the Leader
• 35. Follow the Perturbed Leader
• 36. Online Convex Optimization
• 37. Regret Minimization
• 38. Bandit Algorithms: معرفی و شهود
• 39. Multi-Armed Bandit Problem
• 40. UCB1 Algorithm
• 41. Thompson Sampling
• 42. PAC-Bayes Framework: معرفی و شهود
• 43. Gibbs Algorithm
• 44. PAC-Bayes Bounds
• 45. Stable Algorithms and Generalization
• 46. Algorithmic Stability
• 47. Uniform Argument Stability
• 48. Differential Privacy: معرفی و شهود
• 49. Mechanism‌های Differential Privacy
• 50. Composition Theorems
• 51. آموزش عمیق (Deep Learning) و نظریه یادگیری
• 52. Generalization in Deep Learning
• 53. Implicit Regularization in Deep Learning
• 54. Optimization Landscape of Neural Networks
• 55. Sparsity and Compression in Neural Networks
• 56. Transfer Learning: معرفی و شهود
• 57. Domain Adaptation
• 58. Multi-Task Learning
• 59. Active Learning: معرفی و شهود
• 60. Query Strategies in Active Learning
• 61. Agnostic PAC Learning
• 62. یادگیری تقویتی (Reinforcement Learning) و نظریه یادگیری
• 63. Markov Decision Processes (MDPs)
• 64. Exploration vs. Exploitation
• 65. Q-Learning و تحلیل تئوریک آن
• 66. Regret Bounds in Reinforcement Learning
• 67. Sample Complexity in Reinforcement Learning
• 68. Causal Inference: معرفی و شهود
• 69. Potential Outcomes Framework
• 70. Identification Strategies
• 71. Estimation Techniques in Causal Inference
• 72. Adversarial Learning: معرفی و شهود
• 73. Generative Adversarial Networks (GANs)
• 74. Adversarial Robustness
• 75. Certification of Robustness
• 76. Distributed Learning: معرفی و شهود
• 77. Federated Learning
• 78. Byzantine Fault Tolerance
• 79. Statistical Query Model
• 80. طراحی الگوریتم‌های یادگیری: اصول و روش‌ها
• 81. انتخاب مدل و اعتبارسنجی
• 82. تحلیل خطا و بهبود مدل
• 83. ملاحظات محاسباتی در یادگیری ماشین
• 84. یادگیری نیمه نظارتی (Semi-Supervised Learning)
• 85. Transductive Learning
• 86. Self-Training
• 87. Co-Training
• 88. یادگیری چند نمونه‌ای (Multi-Instance Learning)
• 89. یادگیری با برچسب‌های ناکامل (Learning with Imperfect Labels)
• 90. یادگیری با داده‌های نامتوازن (Learning with Imbalanced Data)
• 91. یادگیری رتبه‌بندی (Learning to Rank)
• 92. یادگیری ساختاریافته (Structured Learning)
• 93. تحلیل پیچیدگی الگوریتم‌های یادگیری
• 94. محاسبات موازی و توزیع شده در یادگیری
• 95. یادگیری با محدودیت‌ها و قیود
• 96. یادگیری با بازخورد (Learning from Feedback)
• 97. تئوری بازی و یادگیری ماشین
• 98. اقتصاد مکانیزم و یادگیری ماشین
• 99. ملاحظات اخلاقی در یادگیری ماشین
• 100. یادگیری ماشین منصفانه (Fair Machine Learning)