کتاب صوتی جامع‌ترین کتاب کاربردی یادگیری ماشین و تحلیل داده با پایتون (ML A-Z)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع‌ترین دوره کاربردی یادگیری ماشین و تحلیل داده با پایتون (ML A-Z)

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با زبان برنامه‌نویسی پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و نقش هوش مصنوعی در تحول دیجیتال
• 2. نصب و راه‌اندازی محیط توسعه پایتون و کتابخانه‌های علمی
• 3. مبانی کار با کتابخانه نامپای برای محاسبات عددی
• 4. تحلیل و دستکاری داده‌ها با استفاده از کتابخانه پانداز
• 5. پاکسازی داده‌ها و مدیریت مقادیر مفقود در مجموعه‌های داده
• 6. مصورسازی داده‌ها با کتابخانه مت‌پلات‌لیب برای درک الگوها
• 7. تحلیل اکتشافی داده‌ها و استخراج بینش‌های اولیه
• 8. مبانی ریاضی آمار و احتمال کاربردی در یادگیری ماشین
• 9. آشنایی با مفاهیم یادگیری نظارت‌شده و نظارت‌نشده
• 10. پیاده‌سازی رگرسیون خطی ساده با استفاده از سایکیت‌لرن
• 11. ارزیابی مدل‌های رگرسیون با معیارهای دقت و خطا
• 12. رگرسیون خطی چندگانه و تحلیل هم‌خطی متغیرها
• 13. رگرسیون چندجمله‌ای و بررسی بیش‌برازش
• 14. رگرسیون لجستیک و کاربرد آن در مسائل طبقه‌بندی
• 15. ماتریس درهم‌ریختگی و معیارهای ارزیابی طبقه‌بندی‌کننده‌ها
• 16. الگوریتم نزدیک‌ترین همسایگی در مسائل طبقه‌بندی
• 17. ماشین بردار پشتیبان و تحلیل حاشیه تصمیم
• 18. هسته گذاری در ماشین بردار پشتیبان برای داده‌های غیرخطی
• 19. درخت تصمیم و معیارهای انتخاب ویژگی
• 20. جنگل‌های تصادفی و روش‌های تجمیعی در یادگیری ماشین
• 21. الگوریتم بیز ساده و کاربرد آن در تحلیل متن
• 22. خوشه‌بندی کی-میانگین و تعیین تعداد بهینه خوشه‌ها
• 23. خوشه‌بندی سلسله‌مراتبی و رسم نمودار دندروگرام
• 24. تحلیل مؤلفه‌های اصلی برای کاهش ابعاد داده‌ها
• 25. روش‌های انتخاب ویژگی برای بهبود کارایی مدل
• 26. تکنیک‌های اعتبارسنجی متقاطع برای ارزیابی مدل
• 27. تنظیم فراپارامترها با استفاده از جستجوی شبکه‌ای
• 28. آشنایی با مفاهیم یادگیری تقویتی و کاربردهای آن
• 29. مقدمه‌ای بر شبکه‌های عصبی مصنوعی و پرسپترون
• 30. آموزش مدل‌های یادگیری ماشین با استفاده از پایپ‌لاین‌های پایتون
• 31. مدیریت داده‌های نامتوازن در پروژه‌های یادگیری ماشین
• 32. روش‌های کاهش بیش‌برازش با استفاده از منظم‌سازی
• 33. آشنایی با کتابخانه اکس‌جی‌بوست برای مدل‌سازی پیشرفته
• 34. پیاده‌سازی سیستم‌های توصیه‌گر ساده
• 35. مبانی تحلیل سری‌های زمانی با استفاده از پایتون
• 36. پیش‌پردازش متن برای تحلیل داده‌های متنی
• 37. استخراج ویژگی از داده‌های دسته‌بندی شده
• 38. کاربردهای یادگیری ماشین در بهینه‌سازی فرآیندهای صنعتی
• 39. اخلاق در هوش مصنوعی و رعایت حریم خصوصی داده‌ها
• 40. استقرار مدل‌های یادگیری ماشین در محیط‌های عملیاتی
• 41. پروژه نهایی تحلیل داده‌های واقعی و گزارش‌دهی نتایج