کتاب پایتون و هوش مصنوعی: یک همراه با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون و هوش مصنوعی: یک همراه

موضوع کلی: برنامه‌نویسی مقدماتی کامپیوتر

موضوع میانی: مقدمه‌ای بر هوش مصنوعی (مفاهیم)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 2. نصب و راه‌اندازی پایتون و محیط‌های توسعه
• 3. انواع داده‌ها و متغیرها در پایتون
• 4. عملگرها و عبارات در پایتون
• 5. ساختارهای کنترلی: شرطی و حلقه‌ها
• 6. توابع در پایتون: تعریف و فراخوانی
• 7. ماژول‌ها و بسته‌ها در پایتون
• 8. کار با فایل‌ها در پایتون
• 9. مدیریت خطاها و استثناها در پایتون
• 10. مقدمه‌ای بر برنامه‌نویسی شیءگرا
• 11. کلاس‌ها و اشیاء در پایتون
• 12. وراثت و چندریختی در پایتون
• 13. مقدمه‌ای بر کتابخانه‌های پایتون برای هوش مصنوعی
• 14. کتابخانه NumPy: آرایه‌ها و عملیات ریاضی
• 15. کتابخانه Pandas: تحلیل و دستکاری داده‌ها
• 16. کتابخانه Matplotlib: تجسم داده‌ها
• 17. آشنایی با مفاهیم یادگیری ماشین
• 18. انواع الگوریتم‌های یادگیری ماشین
• 19. رگرسیون خطی و چندگانه در پایتون
• 20. دسته‌بندی با استفاده از الگوریتم‌های مختلف
• 21. درخت تصمیم و جنگل تصادفی
• 22. ماشین بردار پشتیبان (SVM)
• 23. خوشه‌بندی با استفاده از الگوریتم K-Means
• 24. ارزیابی مدل‌های یادگیری ماشین
• 25. اعتبارسنجی متقابل (Cross-Validation)
• 26. انتخاب ویژگی و کاهش ابعاد
• 27. مقدمه‌ای بر شبکه‌های عصبی
• 28. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 29. پیاده‌سازی شبکه‌های عصبی با استفاده از کتابخانه TensorFlow
• 30. پیاده‌سازی شبکه‌های عصبی با استفاده از کتابخانه Keras
• 31. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش تصویر
• 32. شبکه‌های عصبی بازگشتی (RNN) برای پردازش متن
• 33. پردازش زبان طبیعی (NLP) با پایتون
• 34. تحلیل احساسات با استفاده از پایتون
• 35. مدل‌های زبانی بزرگ (LLM) و کاربردهای آن‌ها
• 36. استخراج ویژگی از داده‌های متنی
• 37. مقدمه‌ای بر یادگیری تقویتی
• 38. حل مسائل با استفاده از یادگیری تقویتی
• 39. کاربردهای هوش مصنوعی در صنایع مختلف
• 40. اخلاق و مسئولیت‌های اجتماعی در هوش مصنوعی
• 41. آینده هوش مصنوعی و روندهای نوظهور
• 42. بهینه‌سازی مدل‌های هوش مصنوعی
• 43. استقرار مدل‌های هوش مصنوعی
• 44. مبانی یادگیری عمیق
• 45. کار با داده‌های نامتوازن