کتاب یادگیری ماشین با پایتون: از صفر تا قهرمان با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین با پایتون: از صفر تا قهرمان

موضوع کلی: علوم کامپیوتر

موضوع میانی: هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و پایتون
• 2. نصب و راه‌اندازی محیط توسعه پایتون برای یادگیری ماشین
• 3. آشنایی با کتابخانه‌های اصلی یادگیری ماشین در پایتون (NumPy، Pandas، Matplotlib)
• 4. مبانی برنامه‌نویسی پایتون برای یادگیری ماشین: متغیرها، انواع داده‌ها، عملگرها
• 5. ساختارهای کنترلی پایتون: شرط‌ها، حلقه‌ها و توابع
• 6. کار با داده‌ها در پایتون: خواندن، نوشتن، پاکسازی و پیش‌پردازش
• 7. آمار توصیفی برای یادگیری ماشین: میانگین، میانه، انحراف معیار
• 8. تصویرسازی داده‌ها با Matplotlib و Seaborn
• 9. مقدمه‌ای بر یادگیری نظارت‌شده
• 10. رگرسیون خطی ساده
• 11. رگرسیون خطی چندگانه
• 12. ارزیابی مدل‌های رگرسیون: MSE، RMSE، R-squared
• 13. رگرسیون چندجمله‌ای
• 14. بیش‌برازش و کم‌برازش در رگرسیون
• 15. تنظیم‌سازی (Regularization) در رگرسیون: L1 و L2
• 16. مقدمه‌ای بر طبقه‌بندی
• 17. رگرسیون لجستیک
• 18. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، فراخوانی، F1-score
• 19. ماتریس درهم‌ریختگی (Confusion Matrix)
• 20. درخت‌های تصمیم‌گیری
• 21. جنگل تصادفی (Random Forest)
• 22. ماشین‌های بردار پشتیبان (SVM)
• 23. مقدمه‌ای بر یادگیری بدون نظارت
• 24. خوشه‌بندی K-Means
• 25. تحلیل مولفه‌های اصلی (PCA)
• 26. کاهش ابعاد با PCA
• 27. ارزیابی خوشه‌بندی: Silhouette Score
• 28. مقدمه‌ای بر یادگیری تقویتی
• 29. مفاهیم پایه یادگیری تقویتی
• 30. Q-Learning
• 31. یادگیری ماشین مبتنی بر قوانین
• 32. انتخاب ویژگی (Feature Selection)
• 33. مهندسی ویژگی (Feature Engineering)
• 34. اعتبارسنجی متقابل (Cross-Validation)
• 35. بهینه‌سازی مدل (Hyperparameter Tuning)
• 36. کار با داده‌های نامتوازن (Imbalanced Data)
• 37. پیاده‌سازی یک پروژه یادگیری ماشین: تشخیص تقلب
• 38. پیاده‌سازی یک پروژه یادگیری ماشین: پیش‌بینی قیمت مسکن
• 39. کار با داده‌های متنی: پردازش زبان طبیعی (NLP) مقدماتی
• 40. استفاده از scikit-learn برای ساخت خط لوله یادگیری ماشین (Pipeline)
• 41. ذخیره و بارگذاری مدل‌های یادگیری ماشین
• 42. استقرار مدل یادگیری ماشین (Model Deployment) مقدماتی