دوره آموزش جامع یادگیری ماشین و مدل‌سازی پیش‌بینی‌گر با پایتون (از مبانی تا مدل‌های تقویت گرادیان) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع یادگیری ماشین و مدل‌سازی پیش‌بینی‌گر با پایتون (از مبانی تا مدل‌های تقویت گرادیان)

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با زبان برنامه‌نویسی پایتون

📋 سرفصل‌های دوره

• 1. مبانی و مفاهیم پایه در علوم داده و یادگیری ماشین
• 2. نصب و راه‌اندازی محیط توسعه پایتون برای تحلیل داده
• 3. آشنایی با کتابخانه نامپای برای محاسبات عددی
• 4. کار با داده‌ساختارها در کتابخانه پانداز
• 5. پیش‌پردازش داده‌ها و پاک‌سازی مجموعه‌های داده
• 6. تحلیل اکتشافی داده‌ها و مصورسازی با مت‌پلات‌لیب
• 7. مصورسازی پیشرفته داده‌ها با کتابخانه سی‌بورن
• 8. مفاهیم آماری مورد نیاز در یادگیری ماشین
• 9. معرفی یادگیری نظارت‌شده و انواع آن
• 10. رگرسیون خطی ساده و پیاده‌سازی آن
• 11. رگرسیون خطی چندگانه و ارزیابی مدل
• 12. مفاهیم بیش‌برازش و کم‌برازش در مدل‌سازی
• 13. تکنیک‌های تنظیم مدل برای بهبود تعمیم‌پذیری
• 14. رگرسیون ریج و لاسو در پایتون
• 15. الگوریتم رگرسیون لجستیک برای طبقه‌بندی
• 16. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 17. ماتریس درهم‌ریختگی و نمودار دقت-فراخوانی
• 18. الگوریتم نزدیک‌ترین همسایگی
• 19. درخت‌های تصمیم و نحوه عملکرد آن‌ها
• 20. آنتروپی و شاخص جینی در یادگیری ماشین
• 21. هرس کردن درخت تصمیم برای جلوگیری از بیش‌برازش
• 22. مفاهیم یادگیری مجموعه‌ای و جنگل‌های تصادفی
• 23. پیاده‌سازی جنگل‌های تصادفی با سایکیت-لرن
• 24. آشنایی با یادگیری نظارت‌نشده و خوشه‌بندی
• 25. الگوریتم خوشه‌بندی کی-میانگین
• 26. ارزیابی مدل‌های خوشه‌بندی
• 27. کاهش ابعاد داده‌ها با تحلیل مؤلفه‌های اصلی
• 28. مبانی یادگیری تقویت‌گرادیان
• 29. الگوریتم بوستینگ و تفاوت آن با بگینگ
• 30. پیاده‌سازی مدل‌های تقویت‌گرادیان با کتابخانه اکس‌جی‌بوست
• 31. تنظیم فراپارامترها در مدل‌های تقویت‌گرادیان
• 32. کار با کتابخانه لایت‌جی‌بی‌ام برای داده‌های بزرگ
• 33. آشنایی با کت‌بوست و مدیریت ویژگی‌های دسته‌ای
• 34. استراتژی‌های اعتبارسنجی متقاطع در مدل‌سازی
• 35. تکنیک‌های مهندسی ویژگی برای افزایش دقت مدل
• 36. مدیریت داده‌های مفقود و مقیاس‌بندی ویژگی‌ها
• 37. انتخاب ویژگی‌های بهینه در مدل‌های پیش‌بینی‌گر
• 38. خط لوله در سایکیت-لرن برای خودکارسازی فرآیندها
• 39. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
• 40. اخلاق در داده‌کاوی و حریم خصوصی کاربران در ایران
• 41. کاربرد مدل‌های یادگیری ماشین در تحلیل‌های اقتصادی و مالی
• 42. پروژه نهایی: طراحی و پیاده‌سازی یک سیستم پیش‌بینی‌گر جامع