اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع یادگیری ماشین و شبکه‌های عصبی با رویکرد تحلیل داده‌های کاربردی در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین و شبکه‌های عصبی با رویکرد تحلیل داده‌های کاربردی در پایتون

موضوع کلی: علوم رایانه و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و تحلیل داده‌های کلان

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده (Data Science)
• 2. آشنایی با اکوسیستم Python برای علم داده
• 3. نصب و راه‌اندازی محیط توسعه Python
• 4. مبانی برنامه‌نویسی Python
• 5. ساختارهای داده در Python
• 6. توابع و ماژول‌های Python
• 7. مفاهیم پایه علم داده
• 8. جمع‌آوری و استخراج داده‌ها (Data Parsing)
• 9. خواندن داده از فایل‌های CSV، Excel و JSON
• 10. Web Scraping و استخراج داده از وب
• 11. کتابخانه‌های علم داده در Python
• 12. NumPy
• 13. Pandas
• 14. کار با DataFrameها
• 15. پاکسازی داده‌ها (Data Cleaning)
• 16. مدیریت داده‌های گمشده
• 17. تبدیل و آماده‌سازی داده‌ها
• 18. مهندسی ویژگی‌ها (Feature Engineering)
• 19. پیش‌پردازش داده‌ها (Data Preprocessing)
• 20. نرمال‌سازی و استانداردسازی داده‌ها
• 21. مصورسازی داده‌ها (Data Visualization)
• 22. Matplotlib
• 23. Seaborn
• 24. تحلیل اکتشافی داده‌ها (EDA)
• 25. اجرای پروژه علم داده
• 26. مبانی یادگیری ماشین (Machine Learning)
• 27. انواع الگوریتم‌های یادگیری ماشین
• 28. یادگیری نظارت‌شده (Supervised Learning)
• 29. یادگیری بدون نظارت (Unsupervised Learning)
• 30. رگرسیون خطی (Linear Regression)
• 31. ارزیابی مدل‌های رگرسیون
• 32. Scikit-learn
• 33. آموزش و ارزیابی مدل‌ها
• 34. تقسیم داده به مجموعه آموزش و آزمون
• 35. الگوریتم K-Nearest Neighbors (KNN)
• 36. انتخاب مقدار بهینه K
• 37. معیارهای فاصله در KNN
• 38. الگوریتم‌های خوشه‌بندی (Clustering)
• 39. یادگیری بدون نظارت
• 40. کاهش ابعاد داده‌ها
• 41. مبانی یادگیری عمیق (Deep Learning)
• 42. شبکه‌های عصبی مصنوعی (Artificial Neural Networks)
• 43. TensorFlow
• 44. ساخت مدل‌های Deep Learning با TensorFlow
• 45. آموزش و ارزیابی شبکه‌های عصبی
• 46. پروژه عملی TensorFlow
• 47. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 48. بهینه‌سازی عملکرد مدل
• 49. جلوگیری از Overfitting و Underfitting
• 50. طراحی پروژه‌های کامل علم داده
• 51. توسعه مدل‌های هوش مصنوعی با Python
• 52. بهترین روش‌های پیاده‌سازی پروژه‌های Machine Learning
• 53. استقرار و استفاده از مدل‌های یادگیری ماشین