دوره آموزش کاربردی یادگیری ماشین با Scikit-Learn: از پیش‌پردازش تا مدل‌سازی داده‌محور همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش کاربردی یادگیری ماشین با Scikit-Learn: از پیش‌پردازش تا مدل‌سازی داده‌محور

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با استفاده از کتابخانه‌های متن‌باز

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و نقش کتابخانه‌های پایتون در علوم داده
• 2. نصب و راه‌اندازی محیط توسعه برای یادگیری ماشین با Scikit-Learn
• 3. ساختار داده‌ها و کار با آرایه‌های عددی در NumPy
• 4. مفاهیم پایه و بارگذاری مجموعه‌داده‌ها در Scikit-Learn
• 5. اصول پیش‌پردازش داده‌ها و پاک‌سازی نویزها
• 6. مدیریت مقادیر گمشده و تبدیل داده‌های دسته‌ای به عددی
• 7. استانداردسازی و نرمال‌سازی ویژگی‌ها برای بهبود دقت مدل
• 8. تجزیه و تحلیل اکتشافی داده‌ها با نمودارهای آماری
• 9. مفهوم یادگیری نظارت شده و تقسیم‌بندی داده‌ها به آموزش و آزمون
• 10. پیاده‌سازی الگوریتم رگرسیون خطی ساده
• 11. ارزیابی عملکرد مدل‌های رگرسیون با معیارهای خطا
• 12. پیاده‌سازی الگوریتم رگرسیون چندگانه و بررسی هم‌خطی
• 13. مدل‌های طبقه‌بندی با استفاده از الگوریتم نزدیک‌ترین همسایه
• 14. آموزش الگوریتم ماشین بردار پشتیبان برای دسته‌بندی داده‌ها
• 15. کاربرد الگوریتم درخت تصمیم در مسائل طبقه‌بندی
• 16. بهینه‌سازی مدل‌های درختی با روش‌های هرس کردن
• 17. مفاهیم پایه و پیاده‌سازی جنگل‌های تصادفی
• 18. استفاده از روش‌های مجموعه‌ای برای افزایش دقت مدل
• 19. معیارهای ارزیابی طبقه‌بندی شامل دقت و فراخوانی
• 20. تحلیل منحنی‌های ROC و AUC در مدل‌های طبقه‌بندی
• 21. کاهش ابعاد داده‌ها با استفاده از تحلیل مؤلفه‌های اصلی
• 22. خوشه‌بندی داده‌ها با الگوریتم K-Means
• 23. تعیین تعداد بهینه خوشه‌ها در تحلیل داده‌های بدون برچسب
• 24. انتخاب ویژگی‌های کلیدی برای ساده‌سازی مدل‌ها
• 25. تنظیم فراپارامترها با استفاده از جستجوی شبکه‌ای
• 26. اعتبارسنجی متقاطع برای اطمینان از تعمیم‌پذیری مدل
• 27. جلوگیری از بیش‌برازش در مدل‌های یادگیری ماشین
• 28. کار با خط لوله‌های پردازشی برای یکپارچه‌سازی فرآیندها
• 29. ذخیره‌سازی و بازیابی مدل‌های آموزش‌دیده برای کاربردهای عملی
• 30. پیاده‌سازی یک پروژه کاربردی پیش‌بینی با استفاده از داده‌های واقعی
• 31. اصول اخلاق در داده‌کاوی و حفظ حریم خصوصی کاربران
• 32. آشنایی با چالش‌های مقیاس‌پذیری در یادگیری ماشین
• 33. مدیریت داده‌های نامتوازن در مسائل طبقه‌بندی
• 34. کاربرد مدل‌های خطی در تحلیل‌های اقتصادی و آماری
• 35. بهینه‌سازی حافظه و سرعت در پردازش مجموعه‌داده‌های بزرگ
• 36. مستندسازی و گزارش‌دهی نتایج مدل‌های یادگیری ماشین