فلش‌کارت‌های آموزشی ساختمان داده‌ها و الگوریتم‌ها برای داده‌کاوی و یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساختمان داده‌ها و الگوریتم‌ها برای داده‌کاوی و یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌کاوی و یادگیری ماشین
• 2. مبانی ساختمان داده‌ها در علوم کامپیوتر
• 3. آرایه‌ها و لیست‌های پیوندی
• 4. پشته‌ها و صف‌ها
• 5. درخت‌ها: مفاهیم پایه
• 6. درخت‌های دودویی جستجو
• 7. درخت‌های متوازن (AVL و Red-Black)
• 8. هرم‌ها و کاربردهای آن‌ها
• 9. جداول درهم‌سازی (Hash Tables)
• 10. گراف‌ها: نمایش و پیمایش
• 11. مفاهیم اولیه الگوریتم‌ها
• 12. تحلیل پیچیدگی الگوریتم‌ها (Big O)
• 13. الگوریتم‌های مرتب‌سازی مقدماتی
• 14. الگوریتم‌های مرتب‌سازی پیشرفته (Merge Sort, Quick Sort)
• 15. الگوریتم‌های جستجو (خطی، دودویی)
• 16. الگوریتم‌های حریصانه (Greedy Algorithms)
• 17. برنامه‌نویسی پویا (Dynamic Programming)
• 18. مقدمه‌ای بر داده‌کاوی
• 19. مراحل فرآیند داده‌کاوی (CRISP-DM)
• 20. پیش‌پردازش داده‌ها: پاکسازی
• 21. پیش‌پردازش داده‌ها: ادغام و تبدیل
• 22. پیش‌پردازش داده‌ها: کاهش ابعاد
• 23. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 24. کاهش ابعاد: تجزیه مقادیر منفرد (SVD)
• 25. مقدمه‌ای بر یادگیری ماشین
• 26. انواع یادگیری ماشین: نظارت‌شده
• 27. انواع یادگیری ماشین: بدون نظارت
• 28. انواع یادگیری ماشین: تقویتی
• 29. مدل‌های طبقه‌بندی: رگرسیون لجستیک
• 30. مدل‌های طبقه‌بندی: ماشین‌های بردار پشتیبان (SVM)
• 31. مدل‌های طبقه‌بندی: درخت‌های تصمیم
• 32. مدل‌های طبقه‌بندی: جنگل‌های تصادفی
• 33. مدل‌های طبقه‌بندی: بیز ساده (Naive Bayes)
• 34. مدل‌های طبقه‌بندی: K-نزدیکترین همسایگان (KNN)
• 35. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازیابی
• 36. ارزیابی مدل‌های طبقه‌بندی: منحنی ROC و AUC
• 37. مدل‌های رگرسیون: رگرسیون خطی
• 38. مدل‌های رگرسیون: رگرسیون چندگانه
• 39. مدل‌های رگرسیون: درخت‌های رگرسیون
• 40. ارزیابی مدل‌های رگرسیون: MSE, MAE, R-squared
• 41. خوشه‌بندی (Clustering): K-Means
• 42. خوشه‌بندی (Clustering): DBSCAN
• 43. خوشه‌بندی (Clustering): Hierarchical Clustering
• 44. ارزیابی مدل‌های خوشه‌بندی
• 45. قوانین انجمنی (Association Rules): Apriori
• 46. قوانین انجمنی (Association Rules): Eclat
• 47. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 48. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 49. تابع فعال‌سازی در شبکه‌های عصبی
• 50. آموزش شبکه‌های عصبی: انتشار رو به عقب (Backpropagation)
• 51. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 52. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 53. حافظه بلندمدت کوتاه (LSTM) و واحدهای دروازه‌ای بازگشتی (GRU)
• 54. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 55. تشخیص الگو و استخراج ویژگی
• 56. روش‌های کاهش خطا و جلوگیری از بیش‌برازش (Overfitting)
• 57. اعتبارسنجی متقابل (Cross-Validation)
• 58. تنظیم هایپرپارامترها
• 59. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 60. توکن‌سازی و نرمال‌سازی متن
• 61. بردارسازی متن: Bag-of-Words
• 62. بردارسازی متن: TF-IDF
• 63. جاسازی کلمات (Word Embeddings): Word2Vec
• 64. جاسازی کلمات (Word Embeddings): GloVe
• 65. مدل‌های زبانی
• 66. تحلیل احساسات (Sentiment Analysis)
• 67. شناسایی موجودیت نام‌گذاری شده (NER)
• 68. مدل‌های زبانی بزرگ (LLMs) و کاربردهای آن‌ها
• 69. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 70. معماری‌های پردازش داده‌های بزرگ (MapReduce)
• 71. سیستم‌های ذخیره‌سازی داده‌های بزرگ (HDFS)
• 72. پایگاه داده‌های NoSQL
• 73. پردازش داده‌های جریانی (Streaming Data Processing)
• 74. کاربرد ساختمان داده‌ها و الگوریتم‌ها در داده‌کاوی
• 75. کاربرد ساختمان داده‌ها و الگوریتم‌ها در یادگیری ماشین
• 76. بهینه‌سازی ساختمان داده‌ها برای عملکرد
• 77. انتخاب الگوریتم مناسب برای مسائل داده‌کاوی
• 78. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 79. فیلترینگ مشارکتی (Collaborative Filtering)
• 80. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 81. سیستم‌های توصیه‌گر ترکیبی
• 82. مقدمه‌ای بر تشخیص ناهنجاری (Anomaly Detection)
• 83. کاربرد تشخیص ناهنجاری در امنیت سایبری
• 84. کاربرد تشخیص ناهنجاری در نظارت بر سیستم‌ها
• 85. مقدمه‌ای بر تحلیل سری‌های زمانی
• 86. مدل‌های کلاسیک سری‌های زمانی (ARIMA)
• 87. یادگیری ماشین برای تحلیل سری‌های زمانی
• 88. کاربرد داده‌کاوی در حوزه سلامت
• 89. کاربرد یادگیری ماشین در حوزه مالی
• 90. کاربرد داده‌کاوی و یادگیری ماشین در بازاریابی
• 91. کاربرد داده‌کاوی و یادگیری ماشین در صنعت
• 92. ملاحظات اخلاقی در داده‌کاوی و یادگیری ماشین
• 93. امنیت داده‌ها و حریم خصوصی
• 94. قوانین و مقررات مربوط به داده‌ها در ایران
• 95. آینده داده‌کاوی و یادگیری ماشین