فلش‌کارت‌های آموزشی یادگیری ماشین نظارت‌شده با کتابخانه‌های پایتون (scikit-learn)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین نظارت‌شده با کتابخانه‌های پایتون (scikit-learn)

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین نظارت‌شده
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. مجموعه داده‌ها و ویژگی‌ها
• 5. پیش‌پردازش داده‌ها
• 6. پاک‌سازی داده‌ها
• 7. مدل‌سازی داده‌ها
• 8. انتخاب ویژگی
• 9. مهندسی ویژگی
• 10. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 11. ارزیابی مدل‌ها
• 12. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 13. معیارهای ارزیابی مدل‌های رگرسیون
• 14. مقدمه‌ای بر scikit-learn
• 15. نصب و راه‌اندازی scikit-learn
• 16. ساختار کلی scikit-learn
• 17. داده‌ها در scikit-learn
• 18. انواع داده‌ها و فرمت‌ها
• 19. آماده‌سازی داده‌ها برای scikit-learn
• 20. مدل‌های یادگیری ماشین در scikit-learn
• 21. مدل‌های رگرسیون خطی
• 22. رگرسیون چندجمله‌ای
• 23. رگرسیون ریج
• 24. رگرسیون لاسو
• 25. رگرسیون الاستیک نت
• 26. مدل‌های طبقه‌بندی
• 27. رگرسیون لجستیک
• 28. ماشین‌های بردار پشتیبان (SVM)
• 29. درخت‌های تصمیم
• 30. جنگل‌های تصادفی
• 31. بوستینگ گرادیان
• 32. مدل‌های K-نزدیک‌ترین همسایه (KNN)
• 33. طبقه‌بندی بیز ساده
• 34. مدل‌های خوشه‌بندی (غیرنظارت‌شده)
• 35. K-means
• 36. خوشه‌بندی سلسله مراتبی
• 37. تحلیل مولفه‌های اصلی (PCA)
• 38. کاهش ابعاد
• 39. انتخاب مدل
• 40. تنظیم هایپرپارامترها
• 41. اعتبارسنجی متقابل (Cross-validation)
• 42. جستجوی شبکه‌ای (Grid Search)
• 43. جستجوی تصادفی (Random Search)
• 44. مدیریت بایاس و واریانس
• 45. بیش‌برازش (Overfitting)
• 46. کم‌برازش (Underfitting)
• 47. تنظیم مدل‌ها برای جلوگیری از بیش‌برازش
• 48. یادگیری انتقالی (Transfer Learning)
• 49. مقدمه‌ای بر یادگیری عمیق
• 50. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 51. شبکه‌های عصبی کانولوشنی (CNN)
• 52. شبکه‌های عصبی بازگشتی (RNN)
• 53. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 54. مدل‌سازی موضوعی
• 55. تحلیل احساسات
• 56. استخراج اطلاعات
• 57. کاربردها در صنعت
• 58. یادگیری ماشین در پزشکی
• 59. یادگیری ماشین در مالی
• 60. یادگیری ماشین در بازاریابی
• 61. یادگیری ماشین در سیستم‌های توصیه‌گر
• 62. یادگیری ماشین در تشخیص تقلب
• 63. یادگیری ماشین در رباتیک
• 64. یادگیری ماشین در هوش مصنوعی مولد
• 65. ملاحظات اخلاقی در یادگیری ماشین
• 66. حریم خصوصی داده‌ها
• 67. سوگیری الگوریتمی
• 68. مسئولیت‌پذیری در هوش مصنوعی
• 69. امنیت در سیستم‌های یادگیری ماشین
• 70. پیاده‌سازی مدل‌ها در عمل
• 71. استقرار مدل‌ها
• 72. مانیتورینگ مدل‌ها
• 73. به‌روزرسانی مدل‌ها
• 74. مدیریت چرخه عمر مدل
• 75. مقدمه‌ای بر یادگیری تقویتی
• 76. عناصر یادگیری تقویتی
• 77. الگوریتم‌های یادگیری تقویتی
• 78. کاربردها در یادگیری تقویتی
• 79. یادگیری ماشین پیشرفته
• 80. یادگیری نیمه‌نظارت‌شده
• 81. یادگیری خودنظارت‌شده
• 82. مدل‌های گراف (Graph Neural Networks)
• 83. پردازش داده‌های سری زمانی
• 84. پیش‌بینی سری زمانی
• 85. مدل‌سازی آماری سری زمانی
• 86. کاربردها در حوزه اقتصاد و مالی
• 87. مدل‌های ترکیبی
• 88. یادگیری ماشین و داده‌های حجیم (Big Data)
• 89. چارچوب‌های پردازش توزیع‌شده
• 90. Spark MLlib
• 91. آموزش مدل‌های بزرگ
• 92. مقدمه‌ای بر شبکه‌های عصبی گرافی
• 93. کاربردهای شبکه‌های عصبی گرافی
• 94. یادگیری ماشین قابل تفسیر (XAI)
• 95. تکنیک‌های تفسیرپذیری مدل
• 96. نمایش بصری نتایج مدل
• 97. ارزیابی صحت و دقت مدل‌های قابل تفسیر
• 98. مدیریت پروژه در یادگیری ماشین
• 99. مستندسازی پروژه‌های یادگیری ماشین
• 100. همکاری در تیم‌های یادگیری ماشین