کتاب صوتی مبانی یادگیری ماشین با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین با پایتون

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری ماشین و مدل‌های زبانی متن‌باز

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. آشنایی با پایتون برای یادگیری ماشین
• 3. نصب و پیکربندی محیط توسعه پایتون
• 4. آشنایی با کتابخانه‌های اصلی یادگیری ماشین در پایتون
• 5. ساختارهای داده در پایتون برای یادگیری ماشین
• 6. آمار توصیفی برای یادگیری ماشین
• 7. احتمالات در یادگیری ماشین
• 8. تصویرسازی داده‌ها با Matplotlib
• 9. پیش‌پردازش داده‌ها و پاکسازی
• 10. انتخاب ویژگی و کاهش ابعاد
• 11. مفهوم یادگیری نظارت شده
• 12. رگرسیون خطی ساده
• 13. رگرسیون چندگانه
• 14. ارزیابی مدل‌های رگرسیون
• 15. دسته‌بندی باینری
• 16. درخت‌های تصمیم‌گیری
• 17. جنگل تصادفی
• 18. ماشین بردار پشتیبان (SVM)
• 19. ارزیابی مدل‌های دسته‌بندی
• 20. مفهوم یادگیری بدون نظارت
• 21. خوشه‌بندی K-Means
• 22. خوشه‌بندی سلسله مراتبی
• 23. کاهش ابعاد با PCA
• 24. تشخیص ناهنجاری
• 25. مقدمه‌ای بر شبکه‌های عصبی
• 26. شبکه‌های عصبی چندلایه
• 27. بهینه‌سازی گرادیان کاهشی
• 28. انتخاب توابع فعال‌سازی
• 29. تنظیم بیشینه و کمینه در شبکه‌های عصبی
• 30. معماری‌های مختلف شبکه‌های عصبی
• 31. یادگیری عمیق و کاربردها
• 32. شبکه‌های عصبی کانولوشنال (CNN)
• 33. شبکه‌های عصبی بازگشتی (RNN)
• 34. پردازش زبان طبیعی (NLP) با پایتون
• 35. مدل‌های زبانی
• 36. تحلیل احساسات با یادگیری ماشین
• 37. سیستم‌های توصیه‌گر
• 38. یادگیری تقویتی
• 39. کاربرد یادگیری ماشین در بینایی کامپیوتر
• 40. کاربرد یادگیری ماشین در تشخیص الگو
• 41. کاربرد یادگیری ماشین در تحلیل سری‌های زمانی
• 42. استقرار مدل‌های یادگیری ماشین
• 43. بهینه‌سازی مدل‌های یادگیری ماشین
• 44. مفاهیم پایه‌ای مهندسی ویژگی
• 45. انتخاب مدل مناسب برای مسئله