دوره جامع یادگیری ماشین با پایتون: از مبانی آماری تا شبکه‌های عصبی عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین با پایتون: از مبانی آماری تا شبکه‌های عصبی عمیق

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین و تحلیل‌های پیش‌بینانه

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و نقش آن در تحلیل داده‌ها
• 2. محیط‌سازی و پیکربندی ابزارهای پایتون برای علوم داده
• 3. مفاهیم پایه آمار و احتمال در تحلیل داده‌ها
• 4. پیش‌پردازش داده‌ها و پاک‌سازی مجموعه‌های داده
• 5. تحلیل اکتشافی داده‌ها و بصری‌سازی با کتابخانه مت‌پلات‌لیب
• 6. مهندسی ویژگی‌ها و انتخاب متغیرهای کلیدی
• 7. آشنایی با رگرسیون خطی ساده و چندگانه
• 8. ارزیابی مدل‌های رگرسیون و معیارهای خطا
• 9. مفاهیم بیش‌برازش و کم‌برازش در مدل‌های یادگیری
• 10. روش‌های تنظیم مدل و رگرسیون‌های Ridge و Lasso
• 11. دسته‌بندی با مدل رگرسیون لجستیک
• 12. الگوریتم‌های مبتنی بر فاصله و نزدیک‌ترین همسایه
• 13. درخت‌های تصمیم و معیارهای انشعاب
• 14. روش‌های بهبود دقت با جنگل‌های تصادفی
• 15. ماشین‌های بردار پشتیبان و تحلیل حاشیه
• 16. الگوریتم‌های خوشه‌بندی و دسته‌بندی بدون ناظر
• 17. کاهش ابعاد داده با تحلیل مولفه‌های اصلی
• 18. مبانی یادگیری مجموعه‌ای و روش‌های Bagging
• 19. تقویت گرادیان و الگوریتم‌های Boosting
• 20. مقدمه‌ای بر شبکه‌های عصبی مصنوعی و پرسپترون
• 21. توابع فعال‌ساز و انتشار رو به عقب در شبکه‌های عصبی
• 22. معماری شبکه‌های عصبی عمیق
• 23. بهینه‌سازی توابع هزینه در شبکه‌های عصبی
• 24. کاربرد شبکه‌های عصبی در مسائل طبقه‌بندی تصویر
• 25. شبکه‌های عصبی کانولوشنی و پردازش الگوهای بصری
• 26. آشنایی با شبکه‌های عصبی بازگشتی برای داده‌های ترتیبی
• 27. تنظیم ابرپارامترها برای بهبود عملکرد مدل
• 28. استفاده از کتابخانه‌های Scikit-learn و TensorFlow
• 29. پیاده‌سازی مدل‌های یادگیری ماشین در پروژه‌های واقعی
• 30. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در پردازش داده‌ها
• 31. امنیت داده‌ها و حریم خصوصی در مدل‌های یادگیری ماشین
• 32. مدیریت چرخه‌ی حیات مدل‌های یادگیری ماشین
• 33. استقرار مدل‌های پیش‌بینانه در محیط عملیاتی
• 34. مستندسازی و گزارش‌دهی نتایج تحلیل داده‌ها
• 35. مسیرهای پیشرفته در یادگیری ماشین و هوش مصنوعی مولد
• 36. پروژه نهایی تحلیل داده‌های کاربردی با رویکرد بومی