کتاب صفر تا صد یادگیری ماشین با پایتون: راهنمای جامع برای مبتدیان با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره صفر تا صد یادگیری ماشین با پایتون: راهنمای جامع برای مبتدیان

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مبانی برنامه‌نویسی پایتون و علم داده برای یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. تاریخچه مختصر هوش مصنوعی
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. کاربردهای یادگیری ماشین در دنیای واقعی
• 5. معرفی زبان برنامه‌نویسی پایتون برای علم داده
• 6. نصب پایتون و محیط توسعه (IDE)
• 7. مبانی پایتون: متغیرها و انواع داده
• 8. عملگرها در پایتون
• 9. ساختارهای کنترلی: شرط‌ها (if, elif, else)
• 10. ساختارهای کنترلی: حلقه‌ها (for, while)
• 11. توابع در پایتون
• 12. ساختارهای داده در پایتون: لیست‌ها
• 13. ساختارهای داده در پایتون: تاپل‌ها
• 14. ساختارهای داده در پایتون: مجموعه‌ها (Sets)
• 15. ساختارهای داده در پایتون: دیکشنری‌ها
• 16. مبانی برنامه‌نویسی شیء گرا (OOP) در پایتون
• 17. کلاس‌ها و اشیاء در پایتون
• 18. وراثت و چندریختی در پایتون
• 19. مدیریت خطاها و استثناها در پایتون
• 20. ماژول‌ها و پکیج‌ها در پایتون
• 21. نصب کتابخانه‌های ضروری علم داده
• 22. معرفی کتابخانه NumPy برای محاسبات عددی
• 23. عملیات پایه‌ای با آرایه‌های NumPy
• 24. عملیات پیشرفته با آرایه‌های NumPy
• 25. مرتب‌سازی و جستجو در آرایه‌های NumPy
• 26. آمار توصیفی با NumPy
• 27. معرفی کتابخانه Pandas برای تجزیه و تحلیل داده
• 28. ساخت DataFrame در Pandas
• 29. کار با داده‌های گمشده (Missing Data) در Pandas
• 30. فیلترینگ و انتخاب داده در Pandas
• 31. عملیات گروه‌بندی (Grouping) در Pandas
• 32. عملیات ادغام (Merging) و اتصال (Joining) در Pandas
• 33. توابع کاربردی در Pandas
• 34. کار با فایل‌های CSV و Excel با Pandas
• 35. مبانی مصورسازی داده (Data Visualization)
• 36. معرفی کتابخانه Matplotlib
• 37. رسم نمودارهای خطی (Line Plots)
• 38. رسم نمودارهای میله‌ای (Bar Plots)
• 39. رسم نمودارهای پراکندگی (Scatter Plots)
• 40. رسم هیستوگرام (Histograms)
• 41. رسم نمودارهای دایره‌ای (Pie Charts)
• 42. تنظیمات و شخصی‌سازی نمودارها در Matplotlib
• 43. معرفی کتابخانه Seaborn برای مصورسازی زیبا
• 44. مصورسازی رابطه بین متغیرها با Seaborn
• 45. نمودارهای توزیع با Seaborn
• 46. مصورسازی ماتریس همبستگی (Correlation Matrix)
• 47. مقدمه‌ای بر علم داده (Data Science)
• 48. مراحل فرآیند علم داده
• 49. شناخت و درک داده (Data Understanding)
• 50. پاکسازی داده (Data Cleaning)
• 51. مهندسی ویژگی (Feature Engineering)
• 52. انتخاب ویژگی (Feature Selection)
• 53. ایجاد ویژگی‌های جدید
• 54. تکنیک‌های حذف داده‌های پرت (Outliers)
• 55. کار با داده‌های دسته‌ای (Categorical Data)
• 56. رمزگذاری داده‌های دسته‌ای (One-Hot Encoding)
• 57. رمزگذاری ترتیبی (Label Encoding)
• 58. استانداردسازی و نرمال‌سازی داده‌ها (Scaling)
• 59. معرفی الگوریتم‌های یادگیری ماشین
• 60. یادگیری نظارت شده (Supervised Learning)
• 61. رگرسیون خطی (Linear Regression)
• 62. تفسیر ضرایب رگرسیون خطی
• 63. معیارهای ارزیابی مدل رگرسیون (MSE, R-squared)
• 64. رگرسیون چندگانه (Multiple Linear Regression)
• 65. رگرسیون لجستیک (Logistic Regression)
• 66. مفهوم تابع سیگموئید
• 67. معیارهای ارزیابی مدل طبقه‌بندی (Accuracy, Precision, Recall, F1-score)
• 68. ماتریس درهم‌ریختگی (Confusion Matrix)
• 69. مدل K-نزدیک‌ترین همسایه (K-Nearest Neighbors - KNN)
• 70. انتخاب مقدار K در KNN
• 71. درخت تصمیم (Decision Trees)
• 72. کسب اطلاعات (Information Gain) و ضریب جینی (Gini Impurity)
• 73. قوانین استنتاج در درخت تصمیم
• 74. پیش‌بینی با درخت تصمیم
• 75. مرتبط‌سازی (Pruning) درخت تصمیم
• 76. جنگل تصادفی (Random Forest)
• 77. تقویت گرادیان (Gradient Boosting)
• 78. معرفی مدل‌های ساده یادگیری ماشین
• 79. دسته‌بندی‌کننده Naive Bayes
• 80. پیاده‌سازی Naive Bayes
• 81. معرفی مفاهیم پایه مدل‌های Ensemble
• 82. مدل ماشین بردار پشتیبان (Support Vector Machines - SVM)
• 83. کاربردهای SVM
• 84. هسته‌ها (Kernels) در SVM
• 85. معرفی یادگیری بدون نظارت (Unsupervised Learning)
• 86. خوشه‌بندی (Clustering)
• 87. الگوریتم K-Means
• 88. انتخاب تعداد خوشه‌ها (K)
• 89. ارزیابی مدل‌های خوشه‌بندی
• 90. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 91. کاهش ابعاد (Dimensionality Reduction)
• 92. تجزیه مؤلفه‌های اصلی (Principal Component Analysis - PCA)
• 93. کاربردهای PCA
• 94. معرفی کتابخانه Scikit-learn
• 95. ساختار کلی Scikit-learn
• 96. نحوه استفاده از مدل‌ها در Scikit-learn
• 97. تقسیم داده به مجموعه آموزش و آزمون
• 98. اعتبارسنجی متقابل (Cross-Validation)
• 99. تنظیم فراپارامترها (Hyperparameter Tuning)
• 100. جستجوی شبکه‌ای (Grid Search)