کتاب یادگیری ماشین: از صفر تا استادی (Machine Learning Mastery) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین: از صفر تا استادی (Machine Learning Mastery)

موضوع کلی: هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، نیمه نظارت‌شده
• 3. مفاهیم اساسی آمار و احتمال برای یادگیری ماشین
• 4. پیش‌پردازش داده‌ها: پاکسازی، تبدیل و نرمال‌سازی
• 5. انتخاب ویژگی (Feature Selection) و استخراج ویژگی (Feature Extraction)
• 6. مدل‌سازی خطی: رگرسیون ساده و چندگانه
• 7. ارزیابی مدل‌های رگرسیون: معیارها و روش‌ها
• 8. رگرسیون لجستیک: طبقه‌بندی باینری
• 9. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، فراخوانی و F1-score
• 10. درخت‌های تصمیم‌گیری: اصول و الگوریتم‌ها
• 11. جنگل تصادفی (Random Forest): بهبود عملکرد درخت‌های تصمیم‌گیری
• 12. ماشین‌های بردار پشتیبان (SVM): مفاهیم و کاربردها
• 13. یادگیری خوشه‌ای (Clustering): K-Means و روش‌های دیگر
• 14. تحلیل مولفه‌های اصلی (PCA): کاهش ابعاد داده‌ها
• 15. یادگیری تقویتی (Reinforcement Learning): مفاهیم پایه
• 16. شبکه‌های عصبی مصنوعی (ANN): معرفی و ساختار
• 17. یادگیری عمیق (Deep Learning): لایه‌های پنهان و معماری‌ها
• 18. شبکه‌های عصبی کانولوشنی (CNN): پردازش تصویر
• 19. شبکه‌های عصبی بازگشتی (RNN): پردازش زبان طبیعی
• 20. مدل‌های زبانی بزرگ (LLM) و ترانسفورمرها
• 21. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 22. تنظیم پارامترها (Hyperparameter Tuning): Grid Search و Randomized Search
• 23. اعتبارسنجی متقابل (Cross-Validation): ارزیابی دقیق‌تر مدل
• 24. روش‌های Ensemble Learning: Boosting و Bagging
• 25. کار با داده‌های نامتوازن (Imbalanced Data)
• 26. معماری‌های پیشرفته یادگیری عمیق: Autoencoders و GANs
• 27. استفاده از TensorFlow و Keras برای ساخت مدل‌های یادگیری ماشین
• 28. استفاده از PyTorch برای ساخت مدل‌های یادگیری ماشین
• 29. استقرار مدل‌های یادگیری ماشین (Model Deployment)
• 30. یادگیری انتقالی (Transfer Learning): استفاده از مدل‌های از پیش آموزش‌دیده
• 31. یادگیری خودنظارتی (Self-Supervised Learning)
• 32. بهینه‌سازی مدل‌های یادگیری ماشین: گرادیان کاهشی و الگوریتم‌های مرتبط
• 33. تفسیرپذیری مدل‌های یادگیری ماشین (Model Interpretability)
• 34. یادگیری ماشین توضیح‌پذیر (Explainable AI - XAI)
• 35. اخلاق در یادگیری ماشین: سوگیری و انصاف
• 36. یادگیری ماشین در مقیاس بزرگ (Large-Scale Machine Learning)
• 37. یادگیری ماشین ابری (Cloud Machine Learning)
• 38. کاربردهای یادگیری ماشین در حوزه‌های مختلف: پزشکی، مالی، بازاریابی
• 39. انتخاب الگوریتم مناسب برای مسئله مورد نظر
• 40. مبانی یادگیری ماشین Bayesian
• 41. مدل‌های گرافیکی احتمالی (Probabilistic Graphical Models)
• 42. روش‌های نیمه نظارتی (Semi-Supervised Learning)
• 43. یادگیری ماشین فعال (Active Learning)