کتاب صوتی استفاده از Google Colab و Kaggle برای پروژه‌های علم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Google Colab و Kaggle برای پروژه‌های علم داده

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره

• 1. مقدمات و آشنایی با Google Colab
• 2. راه‌اندازی محیط کار در Google Colab
• 3. آشنایی با رابط کاربری Google Colab
• 4. اجرای کد پایتون در Colab
• 5. مدیریت فایل‌ها در Google Colab
• 6. اتصال به Google Drive در Colab
• 7. مقدمات علم داده
• 8. مفاهیم کلیدی علم داده
• 9. مراحل پروژه علم داده
• 10. جمع‌آوری داده
• 11. پاکسازی داده
• 12. پیش‌پردازش داده
• 13. تجزیه و تحلیل اکتشافی داده (EDA)
• 14. مقدمات آماری در علم داده
• 15. آمار توصیفی
• 16. تصویرسازی داده
• 17. مقدمات یادگیری ماشین
• 18. انواع یادگیری ماشین
• 19. یادگیری نظارت شده
• 20. یادگیری بدون نظارت
• 21. یادگیری تقویتی
• 22. مقدمات الگوریتم‌های یادگیری ماشین
• 23. رگرسیون خطی
• 24. رگرسیون لجستیک
• 25. درخت تصمیم
• 26. جنگل تصادفی
• 27. ماشین بردار پشتیبان (SVM)
• 28. خوشه‌بندی K-Means
• 29. تحلیل مؤلفه‌های اصلی (PCA)
• 30. مقدمات کار با کتابخانه‌های علم داده
• 31. NumPy برای محاسبات عددی
• 32. Pandas برای پردازش داده
• 33. Matplotlib برای تصویرسازی
• 34. Seaborn برای تصویرسازی پیشرفته
• 35. Scikit-learn برای یادگیری ماشین
• 36. کار با داده‌های جدولی در Pandas
• 37. فیلتر کردن و انتخاب داده
• 38. گروه‌بندی و تجمیع داده
• 39. ادغام و اتصال داده‌ها
• 40. کار با داده‌های سری زمانی
• 41. مقدمات پردازش زبان طبیعی (NLP)
• 42. توکن‌سازی
• 43. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 44. حذف کلمات توقف (Stop Words)
• 45. نمایش متنی (Bag-of-Words)
• 46. TF-IDF
• 47. مقدمات شبکه‌های عصبی
• 48. مفهوم نورون مصنوعی
• 49. شبکه‌های پرسپترون چندلایه (MLP)
• 50. توابع فعال‌سازی
• 51. پس‌انتشار خطا (Backpropagation)
• 52. بهینه‌سازها (Optimizers)
• 53. مقدمات یادگیری عمیق
• 54. شبکه‌های عصبی کانولوشنی (CNN)
• 55. شبکه‌های عصبی بازگشتی (RNN)
• 56. شبکه‌های LSTM و GRU
• 57. یادگیری انتقالی (Transfer Learning)
• 58. مقدمات کار با Kaggle
• 59. آشنایی با پلتفرم Kaggle
• 60. یافتن مجموعه داده‌ها در Kaggle
• 61. شرکت در مسابقات Kaggle
• 62. استفاده از Notebookهای Kaggle
• 63. بارگذاری داده از Kaggle در Colab
• 64. مقدمات یادگیری ماشین کاربردی
• 65. پیش‌بینی قیمت مسکن
• 66. دسته‌بندی ایمیل‌های اسپم
• 67. تشخیص تصویر
• 68. سیستم‌های توصیه‌گر
• 69. تحلیل احساسات متن
• 70. مقدمات مهندسی ویژگی
• 71. ایجاد ویژگی‌های جدید
• 72. انتخاب ویژگی
• 73. کاهش ابعاد
• 74. مقدمات ارزیابی مدل
• 75. معیارهای ارزیابی مدل‌های دسته‌بندی
• 76. معیارهای ارزیابی مدل‌های رگرسیون
• 77. اعتبارسنجی متقابل (Cross-Validation)
• 78. تنظیم هایپرپارامترها
• 79. مقدمات استقرار مدل (بسیار مقدماتی)
• 80. ذخیره و بارگذاری مدل‌های Scikit-learn
• 81. مقدمات کار با APIها
• 82. فراخوانی APIهای عمومی
• 83. دریافت داده از API
• 84. کار با داده‌های JSON
• 85. مقدمات پایگاه داده (مقدماتی)
• 86. مفاهیم پایگاه داده رابطه‌ای
• 87. کار با SQLite در Colab
• 88. مقدمات کار با داده‌های بزرگ
• 89. مفاهیم کلی داده‌های بزرگ
• 90. ابزارهای پردازش داده‌های بزرگ (اشاره)
• 91. مقدمات یادگیری تقویتی (بسیار مقدماتی)
• 92. مفهوم عامل و محیط
• 93. یادگیری Q
• 94. مقدمات بصری‌سازی پیشرفته
• 95. نمایش سه‌بعدی داده‌ها
• 96. نمایش تعاملی داده‌ها
• 97. مقدمات ساخت داشبورد (اشاره)
• 98. کار با کتابخانه‌های بصری‌سازی تعاملی
• 99. مقدمات آشنایی با BigQuery (اشاره)
• 100. اتصال به BigQuery از Colab