کتاب صوتی یادگیری ماشین کاربردی با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین کاربردی با پایتون

موضوع کلی: مدیریت دانش و داده‌کاوی

موضوع میانی: داده‌کاوی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. آشنایی با پایتون برای یادگیری ماشین
• 3. نصب و پیکربندی محیط توسعه پایتون
• 4. کتابخانه‌های اصلی یادگیری ماشین در پایتون: مقدمه
• 5. آشنایی با NumPy و آرایه‌های چندبعدی
• 6. Pandas: کار با داده‌ها و DataFrameها
• 7. Data Cleaning و پیش‌پردازش داده‌ها
• 8. تجسم داده‌ها با Matplotlib و Seaborn
• 9. مبانی آمار برای یادگیری ماشین
• 10. مقدمه‌ای بر رگرسیون خطی
• 11. پیاده‌سازی رگرسیون خطی در پایتون
• 12. ارزیابی مدل‌های رگرسیون
• 13. رگرسیون چندگانه و انتخاب ویژگی
• 14. رگرسیون لجستیک برای طبقه‌بندی
• 15. ارزیابی مدل‌های رگرسیون لجستیک
• 16. مقدمه‌ای بر الگوریتم‌های درخت تصمیم
• 17. پیاده‌سازی درخت تصمیم در پایتون
• 18. جنگل تصادفی (Random Forest)
• 19. ارزیابی و تنظیم پارامترهای جنگل تصادفی
• 20. ماشین‌های بردار پشتیبان (SVM)
• 21. هسته‌ها (Kernels) در ماشین‌های بردار پشتیبان
• 22. ارزیابی مدل‌های SVM
• 23. K-نزدیک‌ترین همسایه (KNN)
• 24. انتخاب K مناسب در الگوریتم KNN
• 25. خوشه‌بندی K-Means
• 26. ارزیابی خوشه‌بندی K-Means
• 27. کاهش ابعاد با PCA
• 28. کاربرد PCA در پیش‌پردازش داده‌ها
• 29. مقدمه‌ای بر شبکه‌های عصبی
• 30. شبکه‌های عصبی چندلایه (MLP)
• 31. بهینه‌سازی شبکه‌های عصبی با Gradient Descent
• 32. انتخاب تابع فعال‌سازی مناسب
• 33. تنظیم پارامترهای شبکه‌های عصبی
• 34. مقدمه‌ای بر یادگیری عمیق
• 35. Convolutional Neural Networks (CNN) برای پردازش تصویر
• 36. Recurrent Neural Networks (RNN) برای پردازش متن
• 37. Long Short-Term Memory (LSTM)
• 38. ارزیابی مدل‌های یادگیری عمیق
• 39. اعتبارسنجی متقابل (Cross-Validation)
• 40. جلوگیری از بیش‌برازش (Overfitting)
• 41. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 42. Pipelineها در یادگیری ماشین
• 43. ذخیره و بارگذاری مدل‌های یادگیری ماشین
• 44. استقرار مدل‌های یادگیری ماشین
• 45. مقدمه‌ای بر یادگیری تقویتی