اپلیکیشن اندرویدی فلش‌کارت آموزشی درک شهودی یادگیری ماشین: از مفاهیم تا ساخت مدل‌های هوشمند

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب درک شهودی یادگیری ماشین: از مفاهیم تا ساخت مدل‌های هوشمند

موضوع کلی: یادگیری ماشین

موضوع میانی: مبانی و کاربردهای عملی یادگیری ماشین

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری ماشین: چیستی، چرایی، و کاربردها
• 2. انواع یادگیری ماشین: نظارت شده، غیرنظارت شده، تقویتی
• 3. مفهوم ویژگی (Feature) و اهمیت آن در یادگیری ماشین
• 4. پیش‌پردازش داده: تمیز کردن، تبدیل، و نرمال‌سازی
• 5. مفهوم فاصله و شباهت در داده‌ها
• 6. الگوریتم K-نزدیک‌ترین همسایه (KNN) برای طبقه‌بندی
• 7. الگوریتم K-نزدیک‌ترین همسایه (KNN) برای رگرسیون
• 8. انتخاب مقدار K مناسب در KNN: روش‌های ارزیابی
• 9. مفهوم overfitting و underfitting
• 10. معیارهای ارزیابی عملکرد مدل‌های طبقه‌بندی: دقت، بازخوانی، F1-score
• 11. معیارهای ارزیابی عملکرد مدل‌های رگرسیون: MSE، RMSE، R-squared
• 12. رگرسیون خطی ساده: مفهوم و پیاده‌سازی
• 13. رگرسیون خطی چندگانه: مفهوم و پیاده‌سازی
• 14. گرادیان کاهشی (Gradient Descent): روشی برای بهینه‌سازی
• 15. بهینه‌سازی گرادیان کاهشی: نرخ یادگیری و تنظیم آن
• 16. رگرسیون چندجمله‌ای: مدل‌سازی روابط غیرخطی
• 17. رگرسیون Ridge: جلوگیری از overfitting با تنظیم‌کننده L2
• 18. رگرسیون Lasso: جلوگیری از overfitting با تنظیم‌کننده L1
• 19. رگرسیون Elastic Net: ترکیبی از Ridge و Lasso
• 20. مفهوم درخت تصمیم (Decision Tree)
• 21. ساخت درخت تصمیم: الگوریتم‌های ID3 و C4.5
• 22. معیارهای تقسیم گره‌ها در درخت تصمیم: آنتروپی و بهره اطلاعات
• 23. جلوگیری از overfitting در درخت تصمیم: هرس کردن (Pruning)
• 24. درخت تصمیم برای رگرسیون
• 25. جنگل تصادفی (Random Forest): مجموعه‌ای از درختان تصمیم
• 26. بهبود عملکرد جنگل تصادفی: تنظیم پارامترها
• 27. ماشین بردار پشتیبان (SVM): مفهوم و ایده‌ی اصلی
• 28. SVM با هسته خطی (Linear Kernel)
• 29. SVM با هسته RBF (Radial Basis Function Kernel)
• 30. SVM با هسته چندجمله‌ای (Polynomial Kernel)
• 31. انتخاب هسته مناسب برای SVM
• 32. بهینه‌سازی پارامترهای SVM: C و Gamma
• 33. دسته‌بندی‌کننده‌های خطی: رگرسیون لجستیک (Logistic Regression)
• 34. تابع سیگموئید و تفسیر آن
• 35. بهینه‌سازی رگرسیون لجستیک با گرادیان کاهشی
• 36. معیارهای ارزیابی رگرسیون لجستیک
• 37. مقایسه رگرسیون لجستیک با SVM خطی
• 38. شبکه‌های عصبی: معرفی نورون و پرسپترون
• 39. تابع فعال‌سازی (Activation Function): Sigmoid, ReLU, Tanh
• 40. ساخت یک شبکه عصبی ساده با یک لایه مخفی
• 41. انتشار رو به جلو (Forward Propagation)
• 42. انتشار رو به عقب (Backpropagation) و محاسبه گرادیان
• 43. بهینه‌سازی وزن‌ها و بایاس‌ها در شبکه عصبی
• 44. نرخ یادگیری در شبکه‌های عصبی: اهمیت و تنظیم آن
• 45. جلوگیری از overfitting در شبکه‌های عصبی: Dropout و Regularization
• 46. لایه‌های کانولوشن (Convolutional Layers) در شبکه‌های عصبی
• 47. لایه‌های تجمیع (Pooling Layers) در شبکه‌های عصبی
• 48. ساخت یک شبکه عصبی کانولوشنال (CNN) برای تشخیص تصویر
• 49. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNNs)
• 50. مشکل محو شدن گرادیان (Vanishing Gradient) در RNNs
• 51. شبکه‌های حافظه بلندمدت (Long Short-Term Memory - LSTM)
• 52. شبکه‌های دروازه بازگشتی (Gated Recurrent Unit - GRU)
• 53. کاربردهای RNNs, LSTMs, و GRUs در پردازش زبان طبیعی
• 54. خوشه‌بندی K-Means: مفهوم و الگوریتم
• 55. انتخاب مقدار K مناسب در K-Means: روش Elbow و Silhouette
• 56. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 57. خوشه‌بندی DBSCAN: خوشه‌بندی بر اساس چگالی
• 58. مقایسه الگوریتم‌های خوشه‌بندی: K-Means، Hierarchical، DBSCAN
• 59. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 60. کاربردهای PCA در کاهش نویز و تجسم داده
• 61. کاهش ابعاد: T-distributed Stochastic Neighbor Embedding (t-SNE)
• 62. کاربردهای t-SNE در تجسم داده‌های با ابعاد بالا
• 63. انتخاب ویژگی (Feature Selection): روش‌های مبتنی بر فیلتر
• 64. انتخاب ویژگی: روش‌های مبتنی بر wrapper
• 65. انتخاب ویژگی: روش‌های embedded
• 66. ارزیابی مدل: اعتبار سنجی متقابل (Cross-Validation)
• 67. انواع اعتبارسنجی متقابل: K-Fold، Stratified K-Fold
• 68. بهینه‌سازی ابرپارامترها (Hyperparameter Optimization): Grid Search
• 69. بهینه‌سازی ابرپارامترها: Random Search
• 70. یادگیری نیمه نظارتی (Semi-Supervised Learning)
• 71. تقویت یادگیری (Reinforcement Learning): مفاهیم پایه
• 72. عامل (Agent)، محیط (Environment)، و پاداش (Reward)
• 73. الگوریتم Q-Learning
• 74. الگوریتم Sarsa
• 75. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 76. معرفی کتابخانه‌های یادگیری ماشین: Scikit-learn
• 77. معرفی کتابخانه‌های یادگیری ماشین: TensorFlow
• 78. معرفی کتابخانه‌های یادگیری ماشین: Keras
• 79. معرفی کتابخانه‌های یادگیری ماشین: PyTorch
• 80. ساخت یک پروژه طبقه‌بندی تصویر با CNN و Keras
• 81. ساخت یک پروژه تحلیل احساسات با LSTM و TensorFlow
• 82. دیپلوی (Deploy) مدل یادگیری ماشین: روش‌ها و ابزارها
• 83. ساخت یک API برای مدل یادگیری ماشین با Flask/FastAPI
• 84. ملاحظات اخلاقی در یادگیری ماشین: سوگیری و انصاف
• 85. تفسیرپذیری مدل‌های یادگیری ماشین (Explainable AI - XAI)
• 86. تکنیک‌های XAI: LIME و SHAP
• 87. کاربرد یادگیری ماشین در پزشکی
• 88. کاربرد یادگیری ماشین در امور مالی
• 89. کاربرد یادگیری ماشین در بازاریابی
• 90. کاربرد یادگیری ماشین در خودروهای خودران
• 91. کاربرد یادگیری ماشین در پردازش زبان طبیعی (NLP)
• 92. مفهوم مدل‌های زبانی بزرگ (Large Language Models - LLMs)
• 93. Fine-tuning مدل‌های زبانی بزرگ (LLMs)
• 94. معرفی ترانسفورمرها (Transformers) و مکانیسم توجه (Attention)
• 95. چالش‌های پیش روی یادگیری ماشین و آینده آن
• 96. مبانی احتمالات و آمار مورد نیاز در یادگیری ماشین
• 97. مبانی جبر خطی مورد نیاز در یادگیری ماشین
• 98. ماتریس‌ها و بردارها در پایتون با Numpy
• 99. تحلیل داده و مصورسازی با Pandas و Matplotlib/Seaborn
• 100. نوشتن کد تمیز و قابل فهم برای پروژه‌های یادگیری ماشین