کتاب صوتی یادگیری ماشین و داده‌کاوی: رویکردهای پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین و داده‌کاوی: رویکردهای پیشرفته

موضوع کلی: علم و اکتشافات

موضوع میانی: داده‌کاوی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مبانی ریاضی یادگیری ماشین
• 3. آمار و احتمال در داده‌کاوی
• 4. پیش‌پردازش داده‌ها و پاکسازی
• 5. انتخاب ویژگی و کاهش ابعاد
• 6. روش‌های خوشه‌بندی داده‌ها
• 7. خوشه‌بندی سلسله‌مراتبی
• 8. خوشه‌بندی K-میانگین
• 9. ارزیابی خوشه‌بندی
• 10. درخت‌های تصمیم و یادگیری مبتنی بر درخت
• 11. جنگل تصادفی
• 12. ماشین‌های بردار پشتیبان (SVM)
• 13. تنظیم پارامترهای SVM
• 14. شبکه‌های عصبی مصنوعی: مقدمه
• 15. شبکه‌های عصبی پیچشی (CNN)
• 16. شبکه‌های عصبی بازگشتی (RNN)
• 17. یادگیری عمیق و کاربردها
• 18. بهینه‌سازی گرادیانی
• 19. انتخاب تابع فعال‌سازی
• 20. تنظیم‌کننده‌ها و جلوگیری از بیش‌برازش
• 21. اعتبارسنجی متقابل و ارزیابی مدل
• 22. رگرسیون خطی و چندگانه
• 23. رگرسیون لجستیک
• 24. مدل‌های سری زمانی و پیش‌بینی
• 25. تحلیل بقا
• 26. یادگیری نیمه نظارتی
• 27. یادگیری تقویتی: مقدمه
• 28. الگوریتم Q-learning
• 29. الگوریتم SARSA
• 30. کشف الگوهای متوالی
• 31. تحلیل سبد خرید
• 32. سیستم‌های توصیه‌گر مبتنی بر محتوا
• 33. سیستم‌های توصیه‌گر مبتنی بر همکاری
• 34. کاهش ابعاد با PCA
• 35. کاهش ابعاد با t-SNE
• 36. تشخیص ناهنجاری با استفاده از یادگیری ماشین
• 37. کاربرد یادگیری ماشین در پردازش زبان طبیعی
• 38. کاربرد یادگیری ماشین در بینایی کامپیوتر
• 39. کاربرد یادگیری ماشین در تشخیص پزشکی
• 40. کاربرد یادگیری ماشین در بازاریابی
• 41. اخلاق و مسئولیت در یادگیری ماشین
• 42. مفاهیم کلیدی حریم خصوصی داده‌ها
• 43. انتقال مدل و استقرار
• 44. مقایسه کتابخانه‌های یادگیری ماشین (scikit-learn, TensorFlow, PyTorch)
• 45. بهینه‌سازی مدل برای استقرار