آموزش یادگیری ماشین پیشرفته و کاربردهای آن - آخرین آپدیت

پیش‌پردازش پیشرفته داده‌ها: انتخاب ویژگی و کاهش ابعاد Advanced Data Preprocessing: Feature Selection and Dimension Reduction

• خوش‌آمدگویی به دوره یادگیری ماشین پیشرفته و کاربردهای آن Welcome to Advanced Machine Learning and its Applications

• مقدمه‌ای بر پیش‌پردازش پیشرفته داده‌ها Introduction to Advanced Data Preprocessing

• مبانی پیش‌پردازش داده‌ها و پردازش داده‌های غیرعادی (Anomalous) Fundamentals of Data Preprocessing and Anomalous Data Processing

• مبانی و روش‌های سنتی پیش‌پردازش داده‌ها Fundamentals and Traditional Methods of Data Preprocessing

• مبانی و روش‌های فیلترینگ برای انتخاب ویژگی Fundamentals and Filtering Methods for Feature Selection

• روش‌های Wrapper برای انتخاب ویژگی Wrapper Methods for Feature Selection

• روش‌های Embedded Embedded Methods

• روش‌های خطی کاهش ابعاد Linear Dimensionality Reduction Methods

• روش‌های Kernel برای کاهش ابعاد Kernel Methods for Dimensionality Reduction

• مطالعه موردی ۱: نمونه‌های کاربردی پیش‌پردازش پیشرفته داده‌ها Case Study 1 - Application Cases of Advanced Data Preprocessing

• مطالعه موردی ۲: کاهش ابعاد و بصری‌سازی با t-SNE Case Study 2 - Dimension Reduction and Visualization with t-SNE

• مرور کلی ماژول ۷ Module 7 Recap

ارزیابی نتایج یادگیری ماشین Evaluating Machine Learning Outcomes

• مقدمه‌ای بر ارزیابی یادگیری ماشین Introduction to Machine Learning Evaluation

• آشنایی با معیارهای ارزیابی یادگیری ماشین Introduction to Machine Learning Evaluation

• روش‌های Holdout و اعتبارسنجی (Validation) Holdout and Validation Methods

• ارزیابی داده‌های متوالی (Sequential) Evaluating Sequential Data

• ارزیابی مدل‌های ناپایدار Evaluating Unstable Models

• ارزیابی داده‌های نامتوازن (Imbalanced) Evaluating Imbalanced Data

• چالش‌های مقایسه مدل‌ها Model Comparison Issues

• مشکلات مقایسه‌های چندگانه Multiple Comparison Problems

• مطالعه موردی ۱: نمونه‌های کاربردی ارزیابی نتایج Case Study 1 - Application Cases of Outcome Evaluation

• مطالعه موردی ۲: ارزیابی حساس به هزینه در مدل‌های امتیازدهی اعتباری Case Study 2 - Cost Sensitive Evaluation of Credit Scorecard Models

• مرور کلی ماژول ۸ Module 8 Recap

طراحی و تنظیم شبکه‌های عصبی Neural Networks Design and Tuning

• مقدمه‌ای بر طراحی شبکه‌های عصبی Introduction to Neural Network Design

• مبانی شبکه‌های عصبی Neural Network Fundamentals

• روش‌های سنتی طراحی و تنظیم شبکه‌های عصبی Traditional Methods of Neural Network Design and Tuning

• بهینه‌سازهای تطبیقی و زمان‌بندی نرخ یادگیری در شبکه‌های عصبی Adaptive Optimizer and Learning Rate Scheduling in Neural Networks

• لایه‌های نرمال‌سازی در شبکه‌های عصبی Normalization Layers in Neural Networks

• درک مفهوم بیش‌برازش (Overfitting) Understanding Overfitting

• روش‌های Augmentation برای کاهش بیش‌برازش در شبکه‌های عصبی Augmentation Methods for Mitigating Overfitting in Neural Networks

• مطالعه موردی ۱: نمونه‌های کاربردی شبکه‌های عصبی Case Study 1 - Application Cases of Neural Networks

• مطالعه موردی ۲: کاهش بیش‌برازش در طبقه‌بندی تصاویر Case Study 2 - Mitigating Overfitting in Image Classification

• مرور کلی ماژول ۹ Module 9 Recap

مقدمه‌ای بر یادگیری عمیق، شبکه‌های عصبی کانولوشنال و شبکه‌های عصبی بازگشتی به‌ویژه LSTM An Introduction to Deep Learning, Convolutional Neural Networks, Recurrent Neural Networks particularly LSTM

• مقدمه‌ای بر یادگیری عمیق Introduction to Deep Learning

• مبانی یادگیری عمیق Deep Learning Fundamentals

• مبانی شبکه‌های عصبی کانولوشنال (CNN) Convolutional Neural Network Fundamentals

• معماری‌های رایج CNN Common CNN Architectures

• مبانی شبکه‌های عصبی بازگشتی (RNN) Recurrent Neural Network Fundamentals

• ساختار شبکه‌های عصبی بازگشتی متداول Typical Recurrent Neural Network

• مبانی مکانیزم توجه (Attention Mechanism) Fundamentals of Attention Mechanism

• مطالعه موردی ۱: نمونه‌های کاربردی یادگیری عمیق Case Study 1 - Application Cases of Deep Learning

• مطالعه موردی ۲: تشخیص قصد در سیستم‌های خدمات مشتریان هوشمند Case Study 2 - Intent Recognition in Intelligent Customer Service Systems

• مرور کلی ماژول ۱۰ Module 10 Recap

مقدمه‌ای بر هوش مصنوعی مولد (GAN, VAE, Transformer و مدل‌های Diffusion) An Introduction to Generative AI (GAN, VAE, Transformer, and Diffusion Models)

• مقدمه‌ای بر هوش مصنوعی مولد (Generative AI) Introduction to Generative AI

• مبانی هوش مصنوعی مولد Fundamentals of Generative AI

• مدل‌های مولد سنتی Traditional Generative Models

• اتوانکودرهای متغیر (VAEs) Variational Autoencoders (VAEs)

• مدل‌های مبتنی بر جریان نرمال‌سازی (Normalization Flow) Normalization Flow-based Models

• شبکه‌های مولد رقابتی (GANs) Generative Adversarial Networks (GANs)

• مدل‌های دیفیوژن (Diffusion Models) Diffusion Models

• مطالعه موردی ۱: نمونه‌های کاربردی هوش مصنوعی مولد Case Study 1 - Application Cases of Generative AI

• مطالعه موردی ۲: تولید تصاویر با استایل‌های هنری Case Study 2 - Art Style Image Generation

• مرور کلی ماژول ۱۱ Module 11 Recap