دوره یادگیری ماشین کاربردی با پایتون: از مبانی تا پیاده‌سازی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین کاربردی با پایتون: از مبانی تا پیاده‌سازی

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری ماشین و کاربردهای آن
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مفاهیم کلیدی: داده، ویژگی، مدل، تابع هدف
• 5. نصب و پیکربندی محیط توسعه پایتون
• 6. کتابخانه های ضروری: NumPy، Pandas، Matplotlib
• 7. مقدمه ای بر یادگیری نظارت شده
• 8. رگرسیون خطی ساده
• 9. ارزیابی مدل رگرسیون: MSE، R-squared
• 10. رگرسیون خطی چندگانه
• 11. پیش پردازش داده ها: پاکسازی، نرمال سازی
• 12. مدیریت مقادیر گمشده
• 13. کدگذاری متغیرهای دسته ای
• 14. رگرسیون لجستیک برای طبقه بندی
• 15. آستانه تصمیم گیری در طبقه بندی
• 16. ارزیابی مدل طبقه بندی: دقت، صحت، بازیابی
• 17. مقدمه ای بر ماشین بردار پشتیبان (SVM)
• 18. هسته های SVM
• 19. تنظیم پارامترهای SVM
• 20. درختان تصمیم برای طبقه بندی و رگرسیون
• 21. قوانین انجمنی و تحلیل سبد خرید
• 22. الگوریتم Apriori
• 23. ارزیابی قوانین انجمنی
• 24. مقدمه ای بر خوشه بندی
• 25. الگوریتم K-Means
• 26. انتخاب تعداد خوشه در K-Means
• 27. خوشه بندی سلسله مراتبی
• 28. معیارهای ارزیابی خوشه بندی
• 29. مقدمه ای بر کاهش ابعاد
• 30. تحلیل مؤلفه های اصلی (PCA)
• 31. کاربردهای PCA
• 32. مقدمه ای بر شبکه های عصبی مصنوعی
• 33. نورون مصنوعی و تابع فعال سازی
• 34. شبکه های پرسپترون تک لایه
• 35. شبکه های پرسپترون چند لایه
• 36. آموزش شبکه های عصبی: پس انتشار خطا
• 37. تابع زیان و بهینه سازی در شبکه های عصبی
• 38. تنظیم نرخ یادگیری
• 39. استفاده از کتابخانه Scikit-learn برای شبکه های عصبی
• 40. شبکه های عصبی کانولوشنی (CNN)
• 41. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 42. کاربردهای NLP در یادگیری ماشین
• 43. مدل های زبانی
• 44. نمایش متن: Bag-of-Words
• 45. نمایش متن: TF-IDF
• 46. مقدمه ای بر شبکه های عصبی بازگشتی (RNN)
• 47. شبکه های LSTM و GRU
• 48. کاربرد RNN در تحلیل احساسات
• 49. کاربرد RNN در ترجمه ماشینی
• 50. مقدمه ای بر یادگیری تقویتی
• 51. مفاهیم اساسی یادگیری تقویتی: عامل، محیط، پاداش
• 52. فرایند تصمیم گیری مارکوف (MDP)
• 53. الگوریتم Q-Learning
• 54. الگوریتم SARSA
• 55. کاربرد یادگیری تقویتی در رباتیک
• 56. کاربرد یادگیری تقویتی در بازی ها
• 57. مقدمه ای بر مدل های تولیدی
• 58. مقدمه ای بر مدل های گرافیکی
• 59. شبکه های بیزی
• 60. مقدمه ای بر مدل های آماری در یادگیری ماشین
• 61. قضیه بیز و استنتاج بیزی
• 62. توزیع های احتمالاتی متداول
• 63. مقدمه ای بر یادگیری عمیق
• 64. معماری های پیشرفته شبکه عصبی
• 65. کاربردهای یادگیری عمیق در بینایی ماشین
• 66. کاربرد یادگیری عمیق در NLP
• 67. مبانی مهندسی ویژگی
• 68. تکنیک های انتخاب ویژگی
• 69. اهمیت ویژگی در مدل های یادگیری ماشین
• 70. مقدمه ای بر ارزیابی و انتخاب مدل
• 71. اعتبارسنجی متقابل (Cross-validation)
• 72. تنظیم ابرپارامترها (Hyperparameter tuning)
• 73. جستجوی شبکه‌ای (Grid Search)
• 74. جستجوی تصادفی (Random Search)
• 75. مقدمه ای بر مدل های Ensemble
• 76. روش Bagging
• 77. روش Boosting
• 78. الگوریتم AdaBoost
• 79. الگوریتم Gradient Boosting
• 80. الگوریتم XGBoost
• 81. مقدمه ای بر تشخیص ناهنجاری
• 82. روش های مبتنی بر تراکم
• 83. روش های مبتنی بر فاصله
• 84. کاربرد تشخیص ناهنجاری در امنیت سایبری
• 85. مقدمه ای بر سیستم های توصیه گر
• 86. فیلترینگ مبتنی بر محتوا
• 87. فیلترینگ مشارکتی
• 88. ترکیب روش ها در سیستم های توصیه گر
• 89. مقدمه ای بر یادگیری ماشین در داده های سری زمانی
• 90. مدل های ARIMA
• 91. مقدمه ای بر یادگیری ماشین در داده های مکانی
• 92. مقدمه ای بر اخلاق در هوش مصنوعی
• 93. مسئولیت پذیری در هوش مصنوعی
• 94. سوگیری در الگوریتم ها
• 95. شفافیت و توضیح پذیری مدل ها
• 96. مقدمه ای بر پیاده سازی مدل ها در محیط عملیاتی (Deployment)
• 97. روش های ارزیابی مداوم مدل
• 98. نظارت بر عملکرد مدل
• 99. مقدمه ای بر یادگیری ماشین توزیع شده
• 100. کاربرد پلتفرم های پردازش توزیع شده