کتاب جامعترین کتاب کاربردی یادگیری ماشین و تحلیل داده با پایتون (ML A-Z) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره جامعترین دوره کاربردی یادگیری ماشین و تحلیل داده با پایتون (ML A-Z)
موضوع کلی: علوم داده و هوش مصنوعی
موضوع میانی: یادگیری ماشین با زبان برنامه‌نویسی پایتون
📋 سرفصل‌های دوره (100 موضوع)
- 1. مقدمه‌ای بر علم داده و نقش هوش مصنوعی در تحول دیجیتال
- 2. نصب و راه‌اندازی محیط توسعه پایتون و کتابخانه‌های علمی
- 3. مبانی کار با کتابخانه نامپای برای محاسبات عددی
- 4. تحلیل و دستکاری داده‌ها با استفاده از کتابخانه پانداز
- 5. پاکسازی داده‌ها و مدیریت مقادیر مفقود در مجموعه‌های داده
- 6. مصورسازی داده‌ها با کتابخانه مت‌پلات‌لیب برای درک الگوها
- 7. تحلیل اکتشافی داده‌ها و استخراج بینش‌های اولیه
- 8. مبانی ریاضی آمار و احتمال کاربردی در یادگیری ماشین
- 9. آشنایی با مفاهیم یادگیری نظارت‌شده و نظارت‌نشده
- 10. پیاده‌سازی رگرسیون خطی ساده با استفاده از سایکیت‌لرن
- 11. ارزیابی مدل‌های رگرسیون با معیارهای دقت و خطا
- 12. رگرسیون خطی چندگانه و تحلیل هم‌خطی متغیرها
- 13. رگرسیون چندجمله‌ای و بررسی بیش‌برازش
- 14. رگرسیون لجستیک و کاربرد آن در مسائل طبقه‌بندی
- 15. ماتریس درهم‌ریختگی و معیارهای ارزیابی طبقه‌بندی‌کننده‌ها
- 16. الگوریتم نزدیک‌ترین همسایگی در مسائل طبقه‌بندی
- 17. ماشین بردار پشتیبان و تحلیل حاشیه تصمیم
- 18. هسته گذاری در ماشین بردار پشتیبان برای داده‌های غیرخطی
- 19. درخت تصمیم و معیارهای انتخاب ویژگی
- 20. جنگل‌های تصادفی و روش‌های تجمیعی در یادگیری ماشین
- 21. الگوریتم بیز ساده و کاربرد آن در تحلیل متن
- 22. خوشه‌بندی کی-میانگین و تعیین تعداد بهینه خوشه‌ها
- 23. خوشه‌بندی سلسله‌مراتبی و رسم نمودار دندروگرام
- 24. تحلیل مؤلفه‌های اصلی برای کاهش ابعاد داده‌ها
- 25. روش‌های انتخاب ویژگی برای بهبود کارایی مدل
- 26. تکنیک‌های اعتبارسنجی متقاطع برای ارزیابی مدل
- 27. تنظیم فراپارامترها با استفاده از جستجوی شبکه‌ای
- 28. آشنایی با مفاهیم یادگیری تقویتی و کاربردهای آن
- 29. مقدمه‌ای بر شبکه‌های عصبی مصنوعی و پرسپترون
- 30. آموزش مدل‌های یادگیری ماشین با استفاده از پایپ‌لاین‌های پایتون
- 31. مدیریت داده‌های نامتوازن در پروژه‌های یادگیری ماشین
- 32. روش‌های کاهش بیش‌برازش با استفاده از منظم‌سازی
- 33. آشنایی با کتابخانه اکس‌جی‌بوست برای مدل‌سازی پیشرفته
- 34. پیاده‌سازی سیستم‌های توصیه‌گر ساده
- 35. مبانی تحلیل سری‌های زمانی با استفاده از پایتون
- 36. پیش‌پردازش متن برای تحلیل داده‌های متنی
- 37. استخراج ویژگی از داده‌های دسته‌بندی شده
- 38. کاربردهای یادگیری ماشین در بهینه‌سازی فرآیندهای صنعتی
- 39. اخلاق در هوش مصنوعی و رعایت حریم خصوصی داده‌ها
- 40. استقرار مدل‌های یادگیری ماشین در محیط‌های عملیاتی
- 41. پروژه نهایی تحلیل داده‌های واقعی و گزارش‌دهی نتایج
تگ‌ها:
الگوریتم‌های یادگیری ماشین
برنامه‌نویسی پایتون
پایتون برای علوم داده
پردازش داده‌ها
تحلیل داده
داده‌کاوی
علم داده
هوش مصنوعی
یادگیری عمیق
یادگیری ماشین با پایتون
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.