آموزش الگوریتم‌ها و تکنیک‌های هوش مصنوعی و یادگیری ماشین - آخرین آپدیت

یادگیری نظارت‌شده Supervised learning

• مقدمه‌ای بر برنامه گواهینامه حرفه‌ای پیشرفته مهندسی AI/ML Introduction to the AI/ML engineering advanced professional certificate program

• مقدمه‌ای بر دوره الگوریتم‌ها و تکنیک‌های AI/ML Introduction to the AI/ML algorithms and techniques course

• اهمیت الگوریتم‌ها و تکنیک‌ها در کار شما The importance of algorithms and techniques in your work

• یادگیری نظارت‌شده چیست؟ What is supervised learning?

• مقایسه تکنیک‌های پیاده‌سازی با استفاده از پایتون Compare implementation techniques using Python

• نمایش موردی معیارهای ارزیابی Use case demonstration of evaluation metrics

• نمایش موردی اعتبار‌سنجی متقاطع و معیارهای متعدد در ML Use case demonstration of cross-validation and multiple metrics in ML

• آموزش گام‌به‌گام: استفاده از تکنیک‌های انتخاب ویژگی در دموهای زنده (اختیاری) Walkthrough: Use cases of feature selection techniques in live demonstrations (Optional)

• خلاصه: یادگیری نظارت‌شده Summary: Supervised learning

یادگیری نظارت‌نشده Unsupervised learning

• مروری بر یادگیری نظارت‌نشده Overview of unsupervised learning

• نحوه پیاده‌سازی و بصری‌سازی خوشه‌بندی How to implement and visualize clustering

• نمایش موردی کاهش ابعاد Use case demonstration of dimensionality reduction

• آموزش گام‌به‌گام: پیاده‌سازی روش‌های یادگیری نظارت‌نشده (اختیاری) Walkthrough: Implementing unsupervised learning methods (Optional)

یادگیری تقویتی و سایر رویکردها Reinforcement learning and other approaches

• مروری بر یادگیری تقویتی Overview of reinforcement learning

• مقایسه تکنیک‌های پیاده‌سازی با استفاده از پایتون Comparing implementation techniques using Python

• نمایش موردی برای اعمال معیارهای ارزیابی مدل Use case demonstration for applying model evaluation metrics

• خلاصه یادگیری تقویتی و سایر رویکردها Summary of reinforcement learning and other approaches

• آموزش گام‌به‌گام: یادگیری تقویتی و سایر رویکردها (اختیاری) Walkthrough: Reinforcement learning and other approaches (Optional)

• نمونه صنعتی: یادگیری تقویتی و سایر رویکردها Industry exemplar: Reinforcement learning and other approaches

یادگیری عمیق و شبکه‌های عصبی Deep learning and neural networks

• مروری بر شبکه‌های عصبی Overview of neural networks

• آموزش گام‌به‌گام: پیاده‌سازی و مقایسه معماری‌های شبکه عصبی در TensorFlow و PyTorch (اختیاری) Walkthrough: Implementing and comparing neural network architectures in TensorFlow and PyTorch (Optional)

• نمایش موردی شبکه‌های FNN، CNN و RNN Use case demonstration of FNNs, CNNs, and RNNs

• آموزش گام‌به‌گام: تحلیل یک مجموعه داده و پیاده‌سازی شبکه عصبی برای تحلیل یادگیری عمیق (اختیاری) Walkthrough: Analyzing a dataset and implementing a neural network for deep learning analysis (Optional)

• شنیدن از یک متخصص: نمونه صنعتی یادگیری عمیق و شبکه‌های عصبی Hear from an expert: Industry exemplar of deep learning and neural networks

مفاهیم در عمل The concepts in practice

• مروری بر رویکردهای مهندسی AI/ML Overview of AI/ML engineering approaches

• شنیدن از یک متخصص: همسو کردن هوش مصنوعی با اهداف سازمانی Hear from an expert: Aligning AI with organizational goals

• اهمیت همکاری در مشاغل AI/ML The Importance of collaboration in AI/ML professions

• شنیدن از یک متخصص: ایجاد تعادل بین اولویت‌های تجاری و فنی Hear from an expert: Balancing business and technical priorities

• خلاصه: مهندسی AI/ML و کار با مدل‌ها Summary: AI/ML engineering and working with models

• خلاصه، سپاسگزاری و با آرزوی موفقیت Summary, thank you, and good luck

• سپاسگزاری و تبریک! Thank you, and congratulations!