دوره آموزش Python و کتابخانه Scikit-learn برای یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش Python و کتابخانه Scikit-learn برای یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: زبان‌های برنامه‌نویسی**

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و جایگاه پایتون
• 2. نصب و راه‌اندازی محیط توسعه پایتون برای علم داده
• 3. آشنایی با کتابخانه NumPy و عملیات برداری
• 4. کار با داده‌ها در Pandas (ساختار Series و DataFrame)
• 5. پاکسازی و پیش‌پردازش داده‌ها با Pandas
• 6. تجسم داده‌ها با Matplotlib و Seaborn
• 7. مفاهیم پایه‌ای یادگیری تحت نظارت و بدون نظارت
• 8. معرفی کتابخانه Scikit-learn و ساختار آن
• 9. تقسیم داده‌ها به مجموعه آموزش و تست
• 10. مهندسی ویژگی و انتخاب ویژگی
• 11. استانداردسازی و نرمال‌سازی داده‌ها
• 12. مدل رگرسیون خطی با Scikit-learn
• 13. رگرسیون چندجمله‌ای و رگرسیون ریج
• 14. رگرسیون لاسو و رگرسیون شبکه الاستیک
• 15. مدل رگرسیون لجستیک برای طبقه‌بندی
• 16. ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، یادآوری، F1)
• 17. منحنی ROC و AUC
• 18. روش K-نزدیک‌ترین همسایه (KNN)
• 19. دسته‌بندی با ماشین بردار پشتیبان (SVM)
• 20. درخت تصمیم و معیارهای تقسیم (جینی، آنتروپی)
• 21. جنگل تصادفی و یادگیری گروهی
• 22. روش Gradient Boosting و AdaBoost
• 23. روش Naive Bayes برای طبقه‌بندی متنی
• 24. خوشه‌بندی با K-Means و انتخاب K بهینه
• 25. خوشه‌بندی سلسله‌مراتبی و دندروگرام
• 26. خوشه‌بندی DBSCAN و تشخیص نویز
• 27. کاهش ابعاد با تحلیل مؤلفه‌های اصلی (PCA)
• 28. کاهش ابعاد با t-SNE و UMAP
• 29. تشخیص ناهنجاری با Isolation Forest
• 30. تشخیص ناهنجاری با روش یک‌کلاس SVM
• 31. انتخاب مدل با اعتبارسنجی متقاطع
• 32. بهینه‌سازی فراپارامترها با GridSearchCV
• 33. بهینه‌سازی فراپارامترها با RandomizedSearchCV
• 34. مدیریت داده‌های نامتوازن (Over-sampling و Under-sampling)
• 35. مدیریت مقادیر گمشده در داده‌ها
• 36. رمزگذاری متغیرهای طبقه‌ای (One-Hot Encoding و Label Encoding)
• 37. ایجاد Pipeline برای خودکارسازی پیش‌پردازش
• 38. ذخیره و بارگذاری مدل با Joblib و Pickle
• 39. رگرسیون با درخت تصمیم و جنگل تصادفی
• 40. پیش‌بینی سری‌های زمانی با Scikit-learn
• 41. کار با ویژگی‌های متنی (CountVectorizer و TfidfVectorizer)
• 42. تحلیل احساسات با مدل‌های Scikit-learn
• 43. تشخیص چهره با PCA و SVM
• 44. خوشه‌بندی تصاویر با K-Means
• 45. ارزیابی مدل‌های خوشه‌بندی (Silhouette Score, Davies-Bouldin)
• 46. مفاهیم overfitting و underfitting و راه‌های مقابله
• 47. منحنی یادگیری و منحنی اعتبارسنجی
• 48. اهمیت ویژگی‌ها در مدل‌های مبتنی بر درخت
• 49. رگرسیون چندمتغیره و تفسیر ضرایب
• 50. کار با داده‌های حجیم و نمونه‌گیری
• 51. ترکیب مدل‌ها با Voting و Stacking
• 52. بهبود عملکرد مدل با مهندسی ویژگی پیشرفته
• 53. معرفی Stochastic Gradient Descent در Scikit-learn
• 54. طبقه‌بندی چندکلاسه با روش One-vs-Rest
• 55. طبقه‌بندی چندکلاسه با روش One-vs-One
• 56. کار با داده‌های برچسب‌گذاری نشده و Semi-supervised Learning
• 57. مفاهیم Bias و Variance در یادگیری ماشین
• 58. رگرسیون غیرخطی با Kernel Ridge
• 59. مقایسه عملکرد الگوریتم‌های مختلف بر یک مجموعه داده
• 60. مدیریت خطاها و اشکال‌زدایی در Scikit-learn
• 61. ایجاد داشبورد ساده برای نمایش نتایج مدل
• 62. مقدمه‌ای بر یادگیری انتقالی با Scikit-learn
• 63. کار با ویژگی‌های عددی و مقیاس‌بندی مناسب
• 64. تکنیک‌های Regularization برای جلوگیری از overfitting
• 65. تحلیل خوشه‌بندی بر داده‌های واقعی (مطالعه موردی)
• 66. پیش‌بینی قیمت مسکن با رگرسیون (مطالعه موردی)
• 67. طبقه‌بندی ایمیل‌های اسپم با SVM و Naive Bayes
• 68. خوشه‌بندی مشتریان بر اساس رفتار خرید (مطالعه موردی)
• 69. تشخیص بیماری با داده‌های پزشکی (مطالعه موردی)
• 70. ارزیابی نهایی و مقایسه مدل‌ها در یک پروژه کامل