اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری ماشین با پایتون و کتابخانه Scikit-learn

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین با پایتون و کتابخانه Scikit-learn

موضوع کلی: برنامه‌نویسی کامپیوترهای کلاسیک

موضوع میانی: برنامه‌نویسی مبتنی بر شخصی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مفاهیم اساسی آمار برای یادگیری ماشین
• 3. پیش‌پردازش داده‌ها و پاکسازی
• 4. انواع داده‌ها و فرمت‌های رایج
• 5. ویژگی‌های مهم در یادگیری ماشین
• 6. انتخاب ویژگی‌های مناسب
• 7. مدل‌های رگرسیون خطی
• 8. رگرسیون چندگانه و ارزیابی مدل
• 9. رگرسیون لجستیک و طبقه‌بندی
• 10. معیارهای ارزیابی طبقه‌بندی
• 11. درخت‌های تصمیم‌گیری
• 12. جنگل تصادفی
• 13. ماشین‌های بردار پشتیبان (SVM)
• 14. هسته‌ها در ماشین‌های بردار پشتیبان
• 15. خوشه‌بندی K-means
• 16. خوشه‌بندی سلسله مراتبی
• 17. کاهش ابعاد با PCA
• 18. انتخاب مدل و تنظیم پارامترها
• 19. اعتبارسنجی متقابل (Cross-Validation)
• 20. بیش‌برازش و کم‌برازش
• 21. روش‌های مقابله با بیش‌برازش
• 22. مقدمه‌ای بر شبکه‌های عصبی
• 23. شبکه‌های عصبی چندلایه
• 24. بهینه‌سازی گرادیان کاهشی
• 25. معماری‌های مختلف شبکه‌های عصبی
• 26. یادگیری عمیق با TensorFlow
• 27. یادگیری عمیق با Keras
• 28. کار با داده‌های متنی
• 29. پردازش زبان طبیعی (NLP)
• 30. بردارسازی متن (Text Vectorization)
• 31. مدل‌سازی موضوعی (Topic Modeling)
• 32. یادگیری ماشین بدون نظارت
• 33. تشخیص ناهنجاری (Anomaly Detection)
• 34. یادگیری تقویتی (Reinforcement Learning)
• 35. کاربرد یادگیری ماشین در پردازش تصویر
• 36. تشخیص اشیاء در تصاویر
• 37. تقسیم‌بندی تصویر (Image Segmentation)
• 38. مدل‌سازی سری‌های زمانی
• 39. پیش‌بینی سری‌های زمانی
• 40. ارزیابی مدل‌های سری زمانی
• 41. استقرار مدل‌های یادگیری ماشین
• 42. APIهای یادگیری ماشین
• 43. مقایسه Scikit-learn با سایر کتابخانه‌ها
• 44. بهبود کارایی مدل‌های یادگیری ماشین
• 45. مستندسازی و انتشار مدل‌های یادگیری ماشین