کتاب جامع کاربردی هوش مصنوعی و تحلیل داده با پایتون (ویژه توسعه‌دهندگان) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع کاربردی هوش مصنوعی و تحلیل داده با پایتون (ویژه توسعه‌دهندگان)

موضوع کلی: علوم رایانه و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین با زبان برنامه‌نویسی پایتون

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی و تاریخچه هوش مصنوعی و یادگیری ماشین
• 2. نصب و راه‌اندازی محیط توسعه پایتون برای علوم داده
• 3. ساختار داده‌ها و کتابخانه‌های پایه در پایتون
• 4. کار با کتابخانه نامپای برای محاسبات عددی
• 5. تحلیل و دستکاری داده‌ها با کتابخانه پانداز
• 6. پاکسازی و پیش‌پردازش داده‌های خام
• 7. مصورسازی داده‌ها با کتابخانه مت‌پلات‌لیب
• 8. تجسم پیشرفته داده‌ها با سی‌بورن
• 9. مفاهیم آماری پایه در تحلیل داده
• 10. کار با توزیع‌های احتمالی در یادگیری ماشین
• 11. آشنایی با مفاهیم یادگیری تحت نظارت
• 12. الگوریتم رگرسیون خطی ساده و چندگانه
• 13. ارزیابی مدل‌های رگرسیون با معیارهای خطا
• 14. الگوریتم رگرسیون لجستیک برای طبقه‌بندی
• 15. مفاهیم طبقه‌بندی و معیارهای دقت و فراخوانی
• 16. الگوریتم نزدیک‌ترین همسایه
• 17. ماشین‌های بردار پشتیبان در یادگیری ماشین
• 18. درخت‌های تصمیم‌گیری و قوانین استخراج دانش
• 19. روش‌های تجمیع مدل و جنگل‌های تصادفی
• 20. الگوریتم‌های تقویت گرادیان
• 21. مفاهیم یادگیری بدون نظارت و خوشه‌بندی
• 22. الگوریتم خوشه‌بندی کی-مینز
• 23. کاهش ابعاد داده‌ها با تحلیل مؤلفه‌های اصلی
• 24. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 25. ساختار پرسپترون و توابع فعال‌ساز
• 26. آموزش شبکه‌های عصبی با روش پس‌انتشار خطا
• 27. آشنایی با کتابخانه تنسورفلو و کراس
• 28. طراحی و پیاده‌سازی شبکه‌های عصبی عمیق
• 29. مفاهیم بهینه‌سازی و نرخ یادگیری در آموزش مدل
• 30. پیشگیری از بیش‌برازش در مدل‌های عمیق
• 31. مقدمه‌ای بر بینایی ماشین و پردازش تصویر
• 32. کار با کتابخانه اوپن‌سی‌وی در پایتون
• 33. تشخیص اشیاء در تصاویر با شبکه‌های عصبی کانولوشنی
• 34. مفاهیم پایه در پردازش زبان طبیعی
• 35. پیش‌پردازش متن و توکن‌بندی کلمات
• 36. مدل‌های برداری متن و نمایش داده‌های متنی
• 37. تحلیل احساسات و متن‌کاوی کاربردی
• 38. مقدمه‌ای بر یادگیری تقویتی و کاربردهای آن
• 39. استقرار مدل‌های هوش مصنوعی در محیط‌های تولید
• 40. آشنایی با اصول اخلاق در هوش مصنوعی و حریم خصوصی داده‌ها
• 41. بهینه‌سازی کدهای پایتون برای پردازش‌های سنگین
• 42. کار با داده‌های حجیم و مقدمه‌ای بر بیگ‌دیتا
• 43. تکنیک‌های استخراج ویژگی برای بهبود مدل
• 44. کاربرد هوش مصنوعی در تحلیل داده‌های مالی و اقتصادی
• 45. پروژه نهایی: طراحی یک سیستم پیش‌بینی داده‌های واقعی
• 46. اصول مستندسازی و نگهداری پروژه‌های هوش مصنوعی