دوره جامع کاربردی یادگیری ماشین با پایتون: از رگرسیون تا طبقه‌بندی داده‌ها با Scikit-Learn همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع کاربردی یادگیری ماشین با پایتون: از رگرسیون تا طبقه‌بندی داده‌ها با Scikit-Learn

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری ماشین و تحلیل داده‌های هوشمند

📋 سرفصل‌های دوره

• 1. مبانی پایتون برای علوم داده و هوش مصنوعی
• 2. آشنایی با محیط‌های توسعه و کتابخانه‌های پایه
• 3. مفاهیم بنیادی جبر خطی در یادگیری ماشین
• 4. کار با آرایه‌های چندبعدی در کتابخانه NumPy
• 5. پردازش و پاک‌سازی داده‌ها با Pandas
• 6. مصورسازی داده‌ها برای درک الگوها با Matplotlib
• 7. مبانی آماری در تحلیل داده‌های هوشمند
• 8. مفهوم یادگیری نظارت‌نشده و نظارت‌شده
• 9. پیش‌پردازش داده‌ها و نرمال‌سازی ویژگی‌ها
• 10. تقسیم‌بندی داده‌ها به مجموعه‌های آموزش و آزمون
• 11. مفهوم تابع هزینه و بهینه‌سازی در مدل‌ها
• 12. رگرسیون خطی ساده و چندگانه
• 13. ارزیابی عملکرد مدل‌های رگرسیون
• 14. مقدمه‌ای بر طبقه‌بندی و دسته‌بندی داده‌ها
• 15. الگوریتم رگرسیون لجستیک برای طبقه‌بندی
• 16. کاربرد الگوریتم نزدیک‌ترین همسایگی (KNN)
• 17. درخت‌های تصمیم و معیارهای انشعاب
• 18. جلوگیری از بیش‌برازش در مدل‌های درختی
• 19. مفاهیم پایه آنتروپی و شاخص جینی
• 20. الگوریتم‌های جنگل تصادفی و یادگیری تجمعی
• 21. ماشین بردار پشتیبان (SVM) و فضاهای ویژگی
• 22. روش‌های کاهش ابعاد با تحلیل مؤلفه‌های اصلی (PCA)
• 23. خوشه‌بندی داده‌ها با الگوریتم K-Means
• 24. ارزیابی مدل‌های طبقه‌بندی با ماتریس اغتشاش
• 25. معیارهای دقت، بازیابی و امتیاز F1
• 26. کار با کتابخانه Scikit-Learn برای ساخت خط لوله مدل
• 27. بهینه‌سازی ابرپارامترها با جستجوی شبکه‌ای
• 28. مدیریت داده‌های گم‌شده در مجموعه‌های بزرگ
• 29. استخراج ویژگی‌های متنی در پروژه‌های هوش مصنوعی
• 30. مقدمه‌ای بر شبکه‌های عصبی مصنوعی ساده
• 31. کاربرد یادگیری ماشین در پیش‌بینی سری‌های زمانی
• 32. پیاده‌سازی یک پروژه جامع طبقه‌بندی داده‌های واقعی
• 33. اخلاق در هوش مصنوعی و حریم خصوصی داده‌ها
• 34. استقرار مدل‌های یادگیری ماشین در محیط‌های عملیاتی
• 35. آینده یادگیری ماشین و نقش آن در توسعه زیرساخت‌های ملی