اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت و پیاده سازی مدل های یادگیری ماشین از ابتدا

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب ساخت و پیاده سازی مدل های یادگیری ماشین از ابتدا

موضوع کلی: یادگیری ماشین برای برنامه نویسان

موضوع میانی: مبانی و کاربردهای یادگیری ماشین

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. چرا یادگیری ماشین؟
• 3. انواع یادگیری ماشین
• 4. یادگیری با نظارت
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مراحل کلی در ساخت مدل ML
• 8. جمع‌آوری و آماده‌سازی داده‌ها
• 9. درک داده‌ها
• 10. کاوش داده‌ها
• 11. مصورسازی داده‌ها
• 12. پیش‌پردازش داده‌ها
• 13. پاکسازی داده‌ها
• 14. مدیریت مقادیر گمشده
• 15. مدیریت داده‌های پرت
• 16. مهندسی ویژگی
• 17. انتخاب ویژگی
• 18. تبدیل ویژگی
• 19. نرمال‌سازی و مقیاس‌بندی ویژگی‌ها
• 20. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و آزمون
• 21. مفاهیم اساسی مدل‌سازی
• 22. مدل‌های خطی
• 23. رگرسیون خطی
• 24. منطق رگرسیون
• 25. مرز تصمیم
• 26. مدل‌های طبقه‌بندی
• 27. K-نزدیکترین همسایه (KNN)
• 28. درخت تصمیم
• 29. قوانین انجمن
• 30. الگوریتم Apriori
• 31. شبکه‌های عصبی مصنوعی
• 32. ساختار شبکه عصبی
• 33. تابع فعال‌سازی
• 34. پس‌انتشار خطا (Backpropagation)
• 35. آموزش شبکه‌های عصبی
• 36. یادگیری عمیق
• 37. شبکه‌های عصبی کانولوشنال (CNN)
• 38. شبکه‌های عصبی بازگشتی (RNN)
• 39. ماشین‌های بردار پشتیبان (SVM)
• 40. هسته‌ها در SVM
• 41. تکنیک‌های انتخاب مدل
• 42. اعتبارسنجی متقابل (Cross-validation)
• 43. تنظیم هایپرپارامترها
• 44. جستجوی شبکه‌ای (Grid Search)
• 45. جستجوی تصادفی (Random Search)
• 46. معیارهای ارزیابی مدل
• 47. برای رگرسیون: MSE، MAE، R-squared
• 48. برای طبقه‌بندی: دقت (Accuracy)، صحت (Precision)، بازیابی (Recall)، امتیاز F1، منحنی ROC، AUC
• 49. اضافه‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 50. روش‌های جلوگیری از اضافه‌برازش
• 51. منظم‌سازی (Regularization)
• 52. کاهش ابعاد
• 53. تحلیل مولفه‌های اصلی (PCA)
• 54. تکنیک‌های کاهش ابعاد مبتنی بر مدل
• 55. مدل‌های بدون نظارت
• 56. خوشه‌بندی (Clustering)
• 57. K-Means
• 58. خوشه‌بندی سلسله مراتبی
• 59. مدل‌های مخلوط گوسی (GMM)
• 60. کاهش ابعاد
• 61. تحلیل مولفه‌های اصلی (PCA)
• 62. توزیع یکنواخت (t-SNE)
• 63. قوانین انجمن
• 64. الگوریتم Apriori
• 65. تکنیک‌های یادگیری تقویتی
• 66. محیط، عامل، پاداش
• 67. یادگیری Q
• 68. یادگیری Q عمیق (DQN)
• 69. پیاده‌سازی مدل‌های ML
• 70. کتابخانه‌های محبوب پایتون
• 71. NumPy
• 72. Pandas
• 73. Scikit-learn
• 74. TensorFlow
• 75. PyTorch
• 76. مدل‌سازی با Scikit-learn
• 77. رگرسیون خطی با Scikit-learn
• 78. رگرسیون لجستیک با Scikit-learn
• 79. KNN با Scikit-learn
• 80. درخت تصمیم با Scikit-learn
• 81. SVM با Scikit-learn
• 82. خوشه‌بندی K-Means با Scikit-learn
• 83. PCA با Scikit-learn
• 84. مدل‌سازی با TensorFlow
• 85. ساخت یک مدل ساده با TensorFlow
• 86. آموزش مدل با TensorFlow
• 87. مدل‌سازی با PyTorch
• 88. ساخت یک مدل ساده با PyTorch
• 89. آموزش مدل با PyTorch
• 90. استقرار مدل‌های ML
• 91. ذخیره و بارگذاری مدل‌ها
• 92. APIهای برای استقرار
• 93. ساخت یک API ساده با Flask/FastAPI
• 94. ملاحظات اخلاقی در ML
• 95. سوگیری در داده‌ها و مدل‌ها
• 96. شفافیت و تفسیرپذیری مدل
• 97. حریم خصوصی داده‌ها
• 98. کاربرد ML در دنیای واقعی
• 99. مثال‌های کاربردی در پزشکی
• 100. مثال‌های کاربردی در مالی