اپلیکیشن اندرویدی فلش‌کارت آموزشی آموزش Python و TensorFlow برای یادگیری ماشین

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب آموزش Python و TensorFlow برای یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: زبان‌های برنامه‌نویسی**

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر پایتون
• 2. نصب پایتون
• 3. اولین برنامه پایتون
• 4. متغیرها و انواع داده در پایتون
• 5. عملگرها در پایتون
• 6. ساختارهای کنترلی (if, elif, else)
• 7. حلقه‌ها (for, while)
• 8. لیست‌ها در پایتون
• 9. تاپل‌ها در پایتون
• 10. دیکشنری‌ها در پایتون
• 11. مجموعه‌ها در پایتون
• 12. توابع در پایتون
• 13. ماژول‌ها و بسته‌ها در پایتون
• 14. مدیریت خطا (try, except)
• 15. کار با فایل‌ها در پایتون
• 16. مفاهیم برنامه نویسی شی گرا (OOP)
• 17. کلاس‌ها و اشیاء در پایتون
• 18. وراثت در پایتون
• 19. چندریختی در پایتون
• 20. مقدمه ای بر یادگیری ماشین
• 21. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 22. مراحل کلی در پروژه یادگیری ماشین
• 23. مقدمه ای بر کتابخانه NumPy
• 24. آرایه‌های NumPy
• 25. عملیات برداری در NumPy
• 26. ایندکس‌گذاری و برش در NumPy
• 27. توابع ریاضی NumPy
• 28. مقدمه ای بر کتابخانه Pandas
• 29. DataFrame در Pandas
• 30. Series در Pandas
• 31. خواندن و نوشتن داده‌ها (CSV, Excel)
• 32. انتخاب و فیلتر کردن داده‌ها
• 33. دستکاری داده‌ها (اضافه کردن، حذف کردن ستون‌ها)
• 34. گروه‌بندی داده‌ها (groupby)
• 35. ترکیب DataFrame ها (merge, join)
• 36. مدیریت داده‌های گمشده
• 37. تجسم داده‌ها با Matplotlib
• 38. نمودار خطی
• 39. نمودار پراکندگی
• 40. نمودار میله‌ای
• 41. هیستوگرام
• 42. نمودار جعبه‌ای
• 43. تنظیمات نمودار (عنوان، برچسب‌ها، رنگ‌ها)
• 44. تجسم داده‌ها با Seaborn
• 45. نمودارهای آماری پیشرفته
• 46. مقدمه ای بر TensorFlow
• 47. مفاهیم اصلی TensorFlow (Tensor, Operation, Session)
• 48. نصب TensorFlow
• 49. اولین برنامه TensorFlow
• 50. ساخت Tensor ها
• 51. عملیات بر روی Tensor ها
• 52. گراف محاسباتی در TensorFlow
• 53. اجرای Session ها
• 54. متغیرها در TensorFlow
• 55. تابع save و restore در TensorFlow
• 56. مقدمه ای بر Keras
• 57. لایه ها در Keras
• 58. مدل های Sequential و Functional
• 59. کامپایل کردن مدل (loss, optimizer, metrics)
• 60. آموزش مدل (fit)
• 61. ارزیابی مدل (evaluate)
• 62. پیش‌بینی با مدل (predict)
• 63. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 64. تابع فعال‌سازی (Activation Functions)
• 65. تابع زیان (Loss Functions)
• 66. بهینه‌سازها (Optimizers)
• 67. تنظیم هایپرپارامترها
• 68. اعتبارسنجی متقابل (Cross-Validation)
• 69. کاهش ابعاد (Dimensionality Reduction)
• 70. تحلیل مولفه‌های اصلی (PCA)
• 71. تکنیک‌های منظم‌سازی (Regularization)
• 72. Dropou t
• 73. L1 و L2 Regularization
• 74. یادگیری انتقالی (Transfer Learning)
• 75. شبکه‌های عصبی کانولوشنال (CNN)
• 76. لایه کانولوشن (Conv2D)
• 77. لایه Pooling (MaxPooling2D)
• 78. لایه Flatten
• 79. ساخت مدل CNN
• 80. آموزش مدل CNN
• 81. شبکه‌های عصبی بازگشتی (RNN)
• 82. سلول‌های LSTM و GRU
• 83. ساخت مدل RNN
• 84. آموزش مدل RNN
• 85. پردازش زبان طبیعی (NLP) با TensorFlow
• 86. بردارسازی کلمات (Word Embeddings)
• 87. Word2Vec
• 88. GloVe
• 89. استفاده از Embedding Layer در Keras
• 90. ساخت مدل NLP
• 91. آموزش مدل NLP
• 92. مدل‌های زبانی (Language Models)
• 93. مدل‌های مولد (Generative Models)
• 94. شبکه‌های مولد تخاصمی (GANs) - مقدمه
• 95. یادگیری تقویتی (Reinforcement Learning) - مقدمه
• 96. کاربرد TensorFlow در پروژه‌های واقعی
• 97. مقدمه ای بر TensorFlow Extended (TFX)
• 98. استقرار مدل‌های TensorFlow
• 99. مقدمه ای بر TensorFlow Lite
• 100. مقدمه ای بر TensorFlow.js