دوره ابزارها و کتابخانه‌های مدل‌سازی: انتخاب و به کارگیری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ابزارها و کتابخانه‌های مدل‌سازی: انتخاب و به کارگیری

موضوع کلی: علوم رفتاری و مدل‌سازی اجتماعی

موضوع میانی: مدل‌سازی یادگیری ماشینی و یادگیری کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ابزارهای مدل‌سازی در علوم رفتاری
• 2. معیارهای انتخاب ابزار مدل‌سازی مناسب
• 3. مروری بر محیط‌های توسعه یکپارچه (IDEs) برای مدل‌سازی
• 4. آشنایی با پایتون و کاربرد آن در مدل‌سازی
• 5. نصب و پیکربندی پایتون و محیط‌های مجازی
• 6. مقدمه‌ای بر کتابخانه NumPy برای محاسبات عددی
• 7. کار با آرایه‌ها و ماتریس‌ها در NumPy
• 8. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
• 9. کار با DataFrames در Pandas
• 10. پاکسازی و پیش‌پردازش داده‌ها با Pandas
• 11. تحلیل داده‌های اکتشافی (EDA) با Pandas
• 12. مقدمه‌ای بر کتابخانه Matplotlib برای تجسم داده
• 13. ایجاد نمودارهای پایه با Matplotlib
• 14. سفارشی‌سازی نمودارها در Matplotlib
• 15. مقدمه‌ای بر کتابخانه Seaborn برای تجسم داده
• 16. نمودارهای آماری پیشرفته با Seaborn
• 17. مقدمه‌ای بر کتابخانه Scikit-learn برای یادگیری ماشین
• 18. آماده‌سازی داده‌ها برای مدل‌سازی در Scikit-learn
• 19. انتخاب مدل مناسب در Scikit-learn
• 20. آموزش و ارزیابی مدل‌ها در Scikit-learn
• 21. ارزیابی عملکرد مدل و معیارهای ارزیابی
• 22. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 23. مقدمه‌ای بر روش‌های خوشه‌بندی (Clustering) در Scikit-learn
• 24. پیاده‌سازی الگوریتم K-Means
• 25. پیاده‌سازی الگوریتم DBSCAN
• 26. مقدمه‌ای بر روش‌های طبقه‌بندی (Classification) در Scikit-learn
• 27. پیاده‌سازی الگوریتم Logistic Regression
• 28. پیاده‌سازی الگوریتم Support Vector Machines (SVM)
• 29. پیاده‌سازی الگوریتم Decision Trees
• 30. مقدمه‌ای بر روش‌های رگرسیون (Regression) در Scikit-learn
• 31. پیاده‌سازی الگوریتم Linear Regression
• 32. پیاده‌سازی الگوریتم Polynomial Regression
• 33. مقدمه‌ای بر شبکه‌های عصبی و کتابخانه TensorFlow/Keras
• 34. ساخت یک شبکه عصبی ساده با Keras
• 35. آموزش و ارزیابی شبکه‌های عصبی
• 36. مقدمه‌ای بر پردازش زبان طبیعی (NLP) و کتابخانه NLTK
• 37. پردازش متن و توکنایز کردن با NLTK
• 38. تحلیل احساسات (Sentiment Analysis) با NLTK
• 39. مقدمه‌ای بر مدل‌سازی موضوعی (Topic Modeling) با Gensim
• 40. کار با مدل LDA در Gensim
• 41. مقدمه‌ای بر کتابخانه PyTorch برای یادگیری عمیق
• 42. ساخت مدل‌های یادگیری عمیق با PyTorch
• 43. استفاده از GPU برای تسریع آموزش مدل‌ها
• 44. مدل‌سازی مبتنی بر عامل (Agent-Based Modeling) با Mesa
• 45. شبیه‌سازی سیستم‌های اجتماعی با Mesa
• 46. مقدمه‌ای بر کتابخانه NetworkX برای تحلیل شبکه‌های اجتماعی
• 47. تحلیل ساختار شبکه‌های اجتماعی با NetworkX
• 48. تجسم شبکه‌های اجتماعی با NetworkX
• 49. مدل‌سازی معادلات ساختاری (Structural Equation Modeling) با SEM
• 50. ارزیابی برازش مدل SEM
• 51. تفسیر نتایج مدل SEM
• 52. مقدمه‌ای بر ابزارهای بصری‌سازی داده (Tableau, Power BI)
• 53. اتصال به منابع داده مختلف
• 54. ایجاد داشبوردهای تعاملی
• 55. بهینه‌سازی مدل‌ها برای استقرار (Deployment)
• 56. استقرار مدل‌ها به عنوان API
• 57. مقدمه‌ای بر ابزارهای مدیریت مدل (MLflow, Kubeflow)
• 58. ردیابی و مقایسه مدل‌ها