دوره آموزش جامع Scikit-learn همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع Scikit-learn

موضوع کلی: برنامه نویسی

موضوع میانی: هوش مصنوعی و یادگیری ماشین (AI/ML)

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 2. آشنایی با Scikit-learn: نصب و راه‌اندازی
• 3. مفاهیم اولیه: داده‌ها، مدل‌ها، و پیش‌بینی
• 4. آشنایی با انواع داده‌ها در Scikit-learn
• 5. مفاهیم کلیدی: ویژگی‌ها، برچسب‌ها، و مجموعه داده
• 6. بررسی پیش‌نیازهای ریاضی و آمار برای یادگیری ماشین
• 7. آشنایی با محیط‌های توسعه: Jupyter Notebook, Google Colab
• 8. وارد کردن داده‌ها: خواندن داده‌ها از فایل‌ها (CSV, TXT)
• 9. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی داده‌ها
• 10. تبدیل داده‌ها: نرمال‌سازی و استانداردسازی
• 11. مدیریت مقادیر گمشده (NaN) در داده‌ها
• 12. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
• 13. معرفی ارزیابی مدل: متریک‌های ارزیابی و اعتبارسنجی
• 14. معرفی مدل‌های یادگیری با نظارت: رگرسیون و طبقه‌بندی
• 15. رگرسیون خطی ساده و چندگانه
• 16. ارزیابی مدل‌های رگرسیون: MSE, RMSE, MAE
• 17. طبقه‌بندی: مقدمه و انواع الگوریتم‌ها
• 18. طبقه‌بندی با رگرسیون لجستیک
• 19. ارزیابی مدل‌های طبقه‌بندی: دقت، دقت، فراخوان، F1-Score
• 20. ماتریس درهم‌ریختگی (Confusion Matrix)
• 21. منحنی ROC و محاسبه AUC
• 22. مدل‌های درختی تصمیم‌گیری
• 23. جنگل‌های تصادفی (Random Forests)
• 24. بهینه‌سازی هایپرپارامترها با Grid Search
• 25. بهینه‌سازی هایپرپارامترها با Random Search
• 26. تقاطع و ادغام ویژگی‌ها
• 27. انتخاب ویژگی‌ها: روش‌های مبتنی بر فیلتر
• 28. انتخاب ویژگی‌ها: روش‌های مبتنی بر رپر (Wrapper)
• 29. انتخاب ویژگی‌ها: روش‌های مبتنی بر تعبیه‌شده (Embedded)
• 30. یادگیری بدون نظارت: مقدمه و کاربردها
• 31. خوشه‌بندی K-Means
• 32. ارزیابی خوشه‌بندی: شاخص Silhouette
• 33. خوشه‌بندی سلسله‌مراتبی
• 34. کاهش ابعاد: روش PCA (تحلیل مؤلفه‌های اصلی)
• 35. کاهش ابعاد: روش t-SNE
• 36. مدل‌های مبتنی بر ماشین بردار پشتیبان (SVM)
• 37. بهره‌گیری از Scikit-learn برای پردازش تصویر
• 38. بهره‌گیری از Scikit-learn برای پردازش متن
• 39. اعتبارسنجی متقابل (Cross-Validation)
• 40. اعتبارسنجی متقابل K-Fold
• 41. اعتبارسنجی متقابل Leave-One-Out
• 42. تنظیم پارامترهای مدل: GridSearchCV
• 43. تنظیم پارامترهای مدل: RandomizedSearchCV
• 44. اعتبارسنجی داده‌های سری زمانی
• 45. بهبود عملکرد مدل با استفاده از Boosting (AdaBoost, Gradient Boosting)
• 46. استفاده از پایپ‌لاین‌ها در Scikit-learn
• 47. کار با مجموعه‌داده‌های بزرگ: تکنیک‌های بهینه‌سازی
• 48. تکنیک‌های مقابله با نامتعادلی داده‌ها
• 49. مدل‌های Ensemble: ترکیب مدل‌های مختلف
• 50. آشنایی با کتابخانه‌های NumPy و Pandas برای داده‌پردازی
• 51. نقشه‌برداری ویژگی‌ها (Feature Mapping)
• 52. به‌کارگیری تبدیل‌های غیرخطی (Polynomial Features)
• 53. آشنایی با Scikit-learn برای حل مسائل رگرسیون پیچیده‌تر
• 54. استفاده از مدل‌های Lasso و Ridge برای رگرسیون
• 55. پیاده‌سازی شبکه‌های عصبی ساده با Scikit-learn
• 56. آموزش شبکه‌های عصبی با استفاده از MLPClassifier
• 57. انتخاب بهترین مدل: مقایسه مدل‌های مختلف
• 58. مقابله با بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 59. اعتبارسنجی با هدف تنظیم پارامترها
• 60. استفاده از تکنیک‌های تنظیم منظم (Regularization)
• 61. آماده‌سازی داده‌ها برای یادگیری ماشین: خلاصه و مرور
• 62. ارزیابی مدل: انتخاب مناسب‌ترین متریک
• 63. بررسی عمیق‌تر الگوریتم‌های یادگیری ماشین: رگرسیون
• 64. بررسی عمیق‌تر الگوریتم‌های یادگیری ماشین: طبقه‌بندی
• 65. بررسی عمیق‌تر الگوریتم‌های یادگیری ماشین: خوشه‌بندی
• 66. کاربرد Scikit-learn در حوزه‌ی داده‌کاوی
• 67. کاربرد Scikit-learn در حوزه‌ی پردازش زبان طبیعی
• 68. بهینه‌سازی عملکرد کد و استفاده از منابع
• 69. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 70. استفاده از مدل‌های آموزش‌دیده در محیط‌های مختلف
• 71. استفاده از کتابخانه‌های دیگر در کنار Scikit-learn
• 72. ترکیب Scikit-learn با TensorFlow و Keras
• 73. معرفی کتابخانه‌های یادگیری ماشین دیگر
• 74. آشنایی با کاربردهای Scikit-learn در دنیای واقعی
• 75. حل مسائل عملی با استفاده از Scikit-learn
• 76. ایجاد یک پروژه کامل یادگیری ماشین
• 77. به اشتراک گذاری کد و مستندسازی پروژه‌های یادگیری ماشین
• 78. مفاهیم پیشرفته: پردازش داده‌های نامنظم
• 79. بهبود دقت مدل با تکنیک‌های پیشرفته
• 80. بهبود دقت مدل با ترکیب ویژگی‌ها
• 81. بررسی عمیق‌تر خطاهای مدل و راه‌حل‌ها
• 82. اهمیت تفسیرپذیری مدل‌های یادگیری ماشین
• 83. آشنایی با ابزارهای تجسم داده‌ها در Scikit-learn
• 84. استفاده از ابزارهای تجسم داده‌ها برای تحلیل نتایج
• 85. بهبود تعامل با داده‌ها: تعامل با APIهای Scikit-learn
• 86. استفاده از Scikit-learn برای پیش‌بینی سری زمانی
• 87. پیاده‌سازی مدل‌های یادگیری ماشینی در وب
• 88. استفاده از Scikit-learn برای تحلیل احساسات
• 89. کاربرد Scikit-learn در سیستم‌های توصیه‌گر
• 90. مسائل مربوط به حریم خصوصی در یادگیری ماشین
• 91. نگهداری و به‌روزرسانی مدل‌های یادگیری ماشین
• 92. مباحث مربوط به مقیاس‌پذیری و عملکرد در Scikit-learn
• 93. آینده یادگیری ماشین و Scikit-learn
• 94. مروری بر مفاهیم کلیدی و نکات مهم دوره
• 95. منابع تکمیلی و راهنمای مطالعه بیشتر
• 96. جمع‌بندی و نتیجه‌گیری
• 97. پروژه‌های عملی و تمرینات پیشرفته
• 98. نکات پایانی و توصیه‌هایی برای ادامه مسیر
• 99. آموزش و ارزیابی مدل‌ها: معیارهای عملکرد و اعتبارسنجی
• 100. معرفی الگوریتم‌های یادگیری ماشین با Scikit-learn: رگرسیون، طبقه‌بندی و خوشه‌بندی