کتاب پیش‌بینی با پایتون و ماشین لرنینگ با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی با پایتون و ماشین لرنینگ

موضوع کلی: فناوری اطلاعات و مهارت‌های دیجیتال

موضوع میانی: مبانی ماشین لرنینگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. آشنایی با زبان برنامه‌نویسی پایتون برای علم داده
• 3. نصب و پیکربندی محیط توسعه پایتون
• 4. کتابخانه‌های اصلی یادگیری ماشین در پایتون
• 5. مفاهیم آماری پایه در یادگیری ماشین
• 6. پیش‌پردازش داده‌ها: پاکسازی و تبدیل
• 7. ویژگی‌های داده: انتخاب و استخراج
• 8. تقسیم داده‌ها به مجموعه‌های آموزش و آزمایش
• 9. الگوریتم‌های رگرسیون خطی
• 10. ارزیابی مدل‌های رگرسیون
• 11. رگرسیون چندگانه و انتخاب ویژگی
• 12. الگوریتم‌های طبقه‌بندی: مقدمه‌ای
• 13. درخت‌های تصمیم‌گیری
• 14. جنگل تصادفی
• 15. ماشین بردار پشتیبان (SVM)
• 16. ارزیابی مدل‌های طبقه‌بندی
• 17. ماتریس درهم‌ریختگی و معیارهای ارزیابی
• 18. روش‌های اعتبارسنجی متقابل
• 19. تنظیم ابرپارامترها: جستجوی شبکه‌ای
• 20. تنظیم ابرپارامترها: بهینه‌سازی تصادفی
• 21. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 22. خوشه‌بندی: الگوریتم K-Means
• 23. خوشه‌بندی سلسله مراتبی
• 24. تشخیص ناهنجاری
• 25. مقدمه‌ای بر شبکه‌های عصبی
• 26. شبکه‌های عصبی چندلایه
• 27. بهینه‌سازی گرادیان کاهشی
• 28. الگوریتم‌های پس‌انتشار خطا
• 29. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 30. شبکه‌های عصبی بازگشتی (RNN) برای پردازش متن
• 31. پردازش زبان طبیعی (NLP) با پایتون
• 32. مدل‌سازی موضوعی با پایتون
• 33. تحلیل احساسات با پایتون
• 34. پیش‌بینی سری‌های زمانی با پایتون
• 35. مدل‌های ARIMA
• 36. مدل‌های LSTM برای پیش‌بینی سری‌های زمانی
• 37. کار با داده‌های بزرگ با استفاده از Spark
• 38. مقیاس‌بندی مدل‌های یادگیری ماشین
• 39. استقرار مدل‌های یادگیری ماشین
• 40. تفسیرپذیری مدل‌های یادگیری ماشین
• 41. اخلاق در یادگیری ماشین
• 42. ملاحظات امنیتی در یادگیری ماشین
• 43. بهبود عملکرد مدل با تکنیک‌های ensemble
• 44. انتخاب مدل مناسب برای مسئله
• 45. استفاده از کتابخانه scikit-learn