دوره استخراج داده‌ها با استفاده از کتابخانه Scikit-Learn: از تئوری تا عمل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استخراج داده‌ها با استفاده از کتابخانه Scikit-Learn: از تئوری تا عمل

موضوع کلی: علم داده و تحلیل پیشرفته

موضوع میانی: یادگیری ماشین و کاربردها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استخراج داده‌ها
• 2. مفاهیم اساسی یادگیری ماشین
• 3. پیش‌پردازش داده‌ها و پاکسازی
• 4. انتخاب ویژگی و کاهش ابعاد
• 5. مدل‌های رگرسیون خطی و چندگانه
• 6. ارزیابی مدل‌های رگرسیون
• 7. رگرسیون لجستیک برای طبقه‌بندی
• 8. درخت‌های تصمیم‌گیری
• 9. جنگل تصادفی
• 10. ماشین‌های بردار پشتیبان (SVM)
• 11. خوشه‌بندی K-Means
• 12. خوشه‌بندی سلسله مراتبی
• 13. تحلیل مولفه‌های اصلی (PCA)
• 14. تشخیص ناهنجاری با استفاده از الگوریتم‌های یادگیری ماشین
• 15. اعتبارسنجی متقابل (Cross-Validation)
• 16. بهینه‌سازی فراپارامترها
• 17. متریک‌های ارزیابی مدل‌های طبقه‌بندی
• 18. متریک‌های ارزیابی مدل‌های رگرسیون
• 19. استفاده از Scikit-Learn برای پیش‌بینی
• 20. مدل‌سازی سری‌های زمانی با Scikit-Learn
• 21. متن‌کاوی و پردازش زبان طبیعی (NLP)
• 22. استخراج ویژگی از متن
• 23. طبقه‌بندی متن با استفاده از Scikit-Learn
• 24. تحلیل احساسات در متن
• 25. کاربرد یادگیری ماشین در تشخیص تقلب
• 26. کاربرد یادگیری ماشین در سیستم‌های توصیه‌گر
• 27. کاربرد یادگیری ماشین در پیش‌بینی قیمت
• 28. کاربرد یادگیری ماشین در تشخیص تصویر
• 29. مقدمه‌ای بر شبکه‌های عصبی
• 30. شبکه‌های عصبی چندلایه (MLP)
• 31. بهینه‌سازی گرادیان کاهشی
• 32. انتخاب تابع فعال‌سازی
• 33. تنظیم‌سازی (Regularization) در شبکه‌های عصبی
• 34. شبکه‌های کانولوشنال (CNN) برای پردازش تصویر
• 35. شبکه‌های بازگشتی (RNN) برای پردازش دنباله‌ها
• 36. یادگیری تقویتی (Reinforcement Learning)
• 37. استفاده از Scikit-Learn برای یادگیری تقویتی
• 38. مقدمه‌ای بر یادگیری نیمه نظارتی
• 39. روش‌های یادگیری نیمه نظارتی
• 40. یادگیری انتقالی (Transfer Learning)
• 41. آماده‌سازی داده‌ها برای یادگیری عمیق
• 42. کار با داده‌های گمشده
• 43. مقابله با داده‌های پرت
• 44. تبدیل داده‌های دسته‌ای به عددی
• 45. مقیاس‌بندی داده‌ها
• 46. نرمال‌سازی داده‌ها
• 47. انتخاب مدل مناسب
• 48. تفسیر نتایج مدل
• 49. تکنیک‌های مصورسازی داده‌ها
• 50. استفاده از Matplotlib و Seaborn برای مصورسازی
• 51. مدیریت منابع محاسباتی
• 52. بهینه‌سازی کد برای سرعت
• 53. استفاده از پردازش موازی
• 54. ذخیره و بارگذاری مدل‌ها
• 55. استقرار مدل‌های یادگیری ماشین
• 56. مقدمه‌ای بر پایگاه داده‌های NoSQL
• 57. کار با داده‌های بزرگ
• 58. استفاده از Spark و Hadoop برای پردازش داده‌ها
• 59. تحلیل داده‌های جریانی
• 60. یادگیری ماشین در فضای ابری
• 61. امنیت داده‌ها و حریم خصوصی
• 62. اخلاق در یادگیری ماشین
• 63. آینده یادگیری ماشین و کاربردهای نوظهور
• 64. استفاده از Scikit-Learn برای تحلیل شبکه‌های اجتماعی
• 65. مدل‌سازی گراف با Scikit-Learn
• 66. تحلیل روابط بین موجودیت‌ها
• 67. پیش‌بینی لینک در شبکه‌های اجتماعی
• 68. تشخیص جوامع در شبکه‌های اجتماعی
• 69. یادگیری ماشین و اینترنت اشیا
• 70. تحلیل داده‌های حسگر
• 71. پیش‌بینی خرابی تجهیزات
• 72. بهینه‌سازی مصرف انرژی
• 73. یادگیری ماشین و سلامت
• 74. تشخیص بیماری با استفاده از داده‌های پزشکی
• 75. پیش‌بینی خطر ابتلا به بیماری
• 76. توسعه دارو با استفاده از یادگیری ماشین
• 77. یادگیری ماشین و مالی
• 78. تشخیص تقلب در تراکنش‌های مالی
• 79. مدیریت ریسک
• 80. پیش‌بینی بازار سهام
• 81. یادگیری ماشین و بازاریابی
• 82. هدف‌گذاری مخاطبان
• 83. بهینه‌سازی کمپین‌های تبلیغاتی
• 84. تحلیل رفتار مشتری
• 85. یادگیری ماشین و تولید
• 86. کنترل کیفیت
• 87. بهینه‌سازی فرآیندهای تولید
• 88. پیش‌بینی تقاضا
• 89. یادگیری ماشین و کشاورزی
• 90. پیش‌بینی عملکرد محصول
• 91. بهینه‌سازی آبیاری
• 92. تشخیص بیماری‌های گیاهی
• 93. یادگیری ماشین و حمل و نقل
• 94. بهینه‌سازی مسیر
• 95. پیش‌بینی ترافیک
• 96. مدیریت ناوگان
• 97. یادگیری ماشین و انرژی
• 98. پیش‌بینی تولید انرژی
• 99. بهینه‌سازی شبکه برق
• 100. کاهش مصرف انرژی