کتاب صوتی یادگیری ماشین با R: کاربردی و عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین با R: کاربردی و عملی

موضوع کلی: مهندسی داده و زیرساخت‌های محاسباتی

موضوع میانی: R برای علم داده

📋 سرفصل‌های دوره

• 1. آشنایی با مفاهیم پایه یادگیری ماشین
• 2. مقدمه‌ای بر زبان برنامه‌نویسی R
• 3. نصب و راه‌اندازی R و RStudio
• 4. کار با انواع داده‌ها در R
• 5. ماتریس‌ها و آرایه‌ها در R
• 6. قابیل‌سازی و مدیریت داده‌ها در R
• 7. آمار توصیفی با R
• 8. احتمالات و توزیع‌های احتمال در R
• 9. مقدمه‌ای بر تجسم داده‌ها با R
• 10. استفاده از ggplot2 برای ایجاد نمودارها
• 11. نوشتن توابع در R
• 12. کنترل جریان در R: حلقه‌ها و شرط‌ها
• 13. مقدمه‌ای بر یادگیری ماشین نظارت شده
• 14. رگرسیون خطی ساده در R
• 15. رگرسیون خطی چندگانه در R
• 16. ارزیابی مدل‌های رگرسیونی
• 17. درخت‌های تصمیم در یادگیری ماشین
• 18. جنگل‌های تصادفی در یادگیری ماشین
• 19. ماشین‌های بردار پشتیبان در یادگیری ماشین
• 20. نرمال‌سازی داده‌ها در یادگیری ماشین
• 21. انتخاب ویژگی در یادگیری ماشین
• 22. مقدمه‌ای بر یادگیری ماشین بدون نظارت
• 23. خوشه‌بندی K-Means در R
• 24. خوشه‌بندی سلسله مراتبی در R
• 25. کاهش ابعاد با تحلیل مولفه‌های اصلی (PCA) در R
• 26. ارزیابی خوشه‌بندی‌ها در R
• 27. مقدمه‌ای بر یادگیری ماشین نیمه‌نظارت شده
• 28. تکنیک‌های یادگیری نیمه‌نظارت شده در R
• 29. مقدمه‌ای بر شبکه‌های عصبی در R
• 30. شبکه‌های عصبی تک‌لایه در R
• 31. شبکه‌های عصبی چندلایه در R
• 32. بهینه‌سازی شبکه‌های عصبی در R
• 33. ارزیابی شبکه‌های عصبی در R
• 34. مقدمه‌ای بر یادگیری عمیق در R
• 35. شبکه‌های عصبی کانولوشنی در R
• 36. شبکه‌های عصبی بازگشتی در R
• 37. کاربرد یادگیری ماشین در تحلیل سری‌های زمانی در R
• 38. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 39. اعتبارسنجی متقاطع در R
• 40. انتخاب مدل در R
• 41. مقدمه‌ای بر مدل‌های گرافیکی در R
• 42. شبکه‌های بیزی در R
• 43. کاربرد یادگیری ماشین در پردازش تصویر در R
• 44. کاربرد یادگیری ماشین در تحلیل متن در R