دوره یادگیری ماشین پیشرفته با پایتون برای دانشمندان داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین پیشرفته با پایتون برای دانشمندان داده

موضوع کلی: علم داده

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین پیشرفته
• 2. مرور مبانی یادگیری ماشین: یک یادآوری سریع
• 3. مقدمه‌ای بر روش‌های ensemble
• 4. Bagging: کاهش واریانس با استفاده از چندین مدل
• 5. Boosting: افزایش دقت با تمرکز بر اشتباهات
• 6. آشنایی با الگوریتم AdaBoost
• 7. گرادیان بوستینگ: اصول و کاربردها
• 8. XGBoost: الگوریتم گرادیان بوستینگ بهینه شده
• 9. LightGBM: الگوریتم گرادیان بوستینگ سریع و کارآمد
• 10. CatBoost: الگوریتم گرادیان بوستینگ با مدیریت داده‌های دسته‌ای
• 11. انتخاب ویژگی (Feature Selection) در یادگیری ماشین
• 12. روش‌های فیلتر، Wrapper و Embedded برای انتخاب ویژگی
• 13. کاهش ابعاد (Dimensionality Reduction) با PCA
• 14. کاهش ابعاد با t-SNE
• 15. یادگیری ماشین نیمه نظارتی (Semi-Supervised Learning)
• 16. یادگیری ماشین فعال (Active Learning)
• 17. یادگیری انتقالی (Transfer Learning): اصول و کاربردها
• 18. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 19. مدل‌های گرافیکی احتمالی (Probabilistic Graphical Models)
• 20. شبکه‌های بیزی (Bayesian Networks)
• 21. مدل‌های مارکوف مخفی (Hidden Markov Models)
• 22. یادگیری تقویتی (Reinforcement Learning)
• 23. Q-Learning: یادگیری تابع Q
• 24. Deep Q-Network (DQN): ترکیب یادگیری تقویتی با شبکه‌های عصبی عمیق
• 25. یادگیری تقویتی مبتنی بر سیاست (Policy-Based Reinforcement Learning)
• 26. مقدمه‌ای بر مدل‌سازی سری‌های زمانی
• 27. ARIMA: مدل‌سازی خودهمبسته و میانگین متحرک
• 28. مدل‌های LSTM برای پیش‌بینی سری‌های زمانی
• 29. شبکه‌های عصبی کانولوشنی (CNN) برای داده‌های سری زمانی
• 30. یادگیری ماشین توضیح‌پذیر (Explainable AI - XAI)
• 31. اهمیت XAI در تصمیم‌گیری‌های مبتنی بر مدل
• 32. روش‌های LIME و SHAP برای توضیح مدل‌ها
• 33. یادگیری ماشین عادلانه (Fair Machine Learning)
• 34. شناسایی و کاهش سوگیری در مدل‌ها
• 35. تفسیرپذیری مدل‌های یادگیری ماشین در حوزه‌های حساس
• 36. استقرار مدل‌های یادگیری ماشین (Model Deployment)
• 37. استفاده از Flask و Django برای استقرار مدل‌ها
• 38. Docker و Kubernetes برای مدیریت و مقیاس‌بندی مدل‌ها
• 39. مانیتورینگ و نگهداری مدل‌های یادگیری ماشین
• 40. بهبود مستمر مدل‌ها با استفاده از داده‌های جدید
• 41. یادگیری یادگیری ماشین (Meta-Learning)
• 42. مقدمه‌ای بر یادگیری چند وظیفه‌ای (Multi-Task Learning)
• 43. یادگیری ماشین با منابع محدود (Few-Shot Learning)
• 44. کاربرد یادگیری ماشین در پردازش زبان طبیعی (NLP)
• 45. کاربرد یادگیری ماشین در بینایی ماشین (Computer Vision)
• 46. کاربرد یادگیری ماشین در سیستم‌های توصیه‌گر (Recommender Systems)