کتاب یادگیری تطبیقی با پایتون و یادگیری ماشین با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تطبیقی با پایتون و یادگیری ماشین

موضوع کلی: توسعه نرم‌افزار با زبان‌های برنامه‌نویسی مدرن

موضوع میانی: سیستم‌های یادگیری تطبیقی

📋 سرفصل‌های دوره

• 1. آشنایی با پایتون برای یادگیری ماشین
• 2. نصب و پیکربندی محیط توسعه پایتون
• 3. متغیرها، انواع داده‌ها و عملگرها در پایتون
• 4. ساختارهای کنترلی در پایتون: شرط‌ها و حلقه‌ها
• 5. توابع در پایتون: تعریف و کاربرد
• 6. کار با لیست‌ها و آرایه‌ها در پایتون
• 7. کار با دیکشنری‌ها و مجموعه‌ها در پایتون
• 8. مدیریت فایل‌ها در پایتون
• 9. مقدمه‌ای بر کتابخانه‌های پایتون
• 10. کتابخانه NumPy: آرایه‌های چند بعدی
• 11. کتابخانه Pandas: تحلیل و دستکاری داده‌ها
• 12. کتابخانه Matplotlib: رسم نمودار و تجسم داده‌ها
• 13. مقدمه‌ای بر یادگیری ماشین
• 14. انواع یادگیری ماشین: نظارت شده، بدون نظارت و تقویتی
• 15. مراحل یک پروژه یادگیری ماشین
• 16. آماده‌سازی داده‌ها: پاکسازی و پیش‌پردازش
• 17. مهندسی ویژگی: استخراج و انتخاب ویژگی‌ها
• 18. مدل‌سازی: الگوریتم‌های رگرسیون
• 19. مدل‌سازی: الگوریتم‌های طبقه‌بندی
• 20. ارزیابی مدل: معیارهای ارزیابی رگرسیون
• 21. ارزیابی مدل: معیارهای ارزیابی طبقه‌بندی
• 22. اعتبارسنجی متقابل (Cross-Validation)
• 23. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 24. تنظیم هایپرپارامترها
• 25. مقدمه‌ای بر الگوریتم k-نزدیک‌ترین همسایه (k-NN)
• 26. مقدمه‌ای بر درخت‌های تصمیم‌گیری
• 27. مقدمه‌ای بر جنگل تصادفی (Random Forest)
• 28. مقدمه‌ای بر ماشین بردار پشتیبان (SVM)
• 29. مقدمه‌ای بر خوشه‌بندی K-means
• 30. مقدمه‌ای بر تحلیل مولفه‌های اصلی (PCA)
• 31. کاربرد یادگیری ماشین در پیش‌بینی قیمت مسکن
• 32. کاربرد یادگیری ماشین در تشخیص تقلب
• 33. کاربرد یادگیری ماشین در تشخیص بیماری‌ها
• 34. کاربرد یادگیری ماشین در بازاریابی
• 35. مقدمه‌ای بر شبکه‌های عصبی
• 36. ساختار یک شبکه عصبی
• 37. الگوریتم پس‌انتشار خطا (Backpropagation)
• 38. مقدمه‌ای بر یادگیری عمیق
• 39. کاربرد یادگیری عمیق در پردازش تصویر
• 40. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 41. استفاده از TensorFlow و Keras
• 42. استفاده از Scikit-learn برای یادگیری ماشین
• 43. پیاده‌سازی یک پروژه یادگیری ماشین کامل
• 44. بهینه‌سازی مدل‌های یادگیری ماشین
• 45. استقرار مدل‌های یادگیری ماشین