اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت مدل‌های یادگیری ماشین با پایتون: از مبانی تا تکنیک‌های پیشرفته

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب ساخت مدل‌های یادگیری ماشین با پایتون: از مبانی تا تکنیک‌های پیشرفته

موضوع کلی: یادگیری ماشین برای هکرها

موضوع میانی: از داده تا پیش‌بینی: یک رویکرد عملی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. چرا یادگیری ماشین؟
• 3. انواع یادگیری ماشین
• 4. یادگیری تحت نظارت
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. کاربردها و مثال‌های واقعی
• 8. محیط توسعه پایتون
• 9. نصب پایتون و pip
• 10. نصب کتابخانه‌های کلیدی (NumPy, SciPy, Pandas, Scikit-learn)
• 11. استفاده از Jupyter Notebooks
• 12. آشنایی با NumPy برای محاسبات عددی
• 13. آرایه‌ها و عملیات روی آن‌ها
• 14. ایندکس‌گذاری و برش آرایه‌ها
• 15. عملیات ریاضی و آماری با NumPy
• 16. آشنایی با Pandas برای تحلیل داده
• 17. ساختار داده Series
• 18. ساختار داده DataFrame
• 19. بارگذاری و ذخیره داده‌ها (CSV, Excel)
• 20. پاکسازی و پیش‌پردازش داده‌ها
• 21. مدیریت مقادیر گمشده
• 22. تبدیل و تغییر شکل داده‌ها
• 23. ادغام و ترکیب DataFrameها
• 24. آشنایی با Matplotlib و Seaborn برای بصری‌سازی
• 25. نمودارهای خطی و پراکندگی
• 26. هیستوگرام و نمودارهای میله‌ای
• 27. نمودارهای جعبه‌ای و ویولن
• 28. نقشه‌های حرارتی
• 29. مقدمه‌ای بر مدل‌سازی آماری
• 30. رگرسیون خطی ساده
• 31. مفاهیم اساسی رگرسیون
• 32. تنظیم مدل رگرسیون خطی
• 33. ارزیابی مدل رگرسیون (MSE, R-squared)
• 34. رگرسیون خطی چندگانه
• 35. اضافه کردن ویژگی‌های بیشتر
• 36. تفسیر ضرایب رگرسیون
• 37. مقدمه‌ای بر طبقه‌بندی
• 38. رگرسیون لجستیک
• 39. تابع سیگموئید
• 40. تنظیم مدل رگرسیون لجستیک
• 41. ارزیابی مدل طبقه‌بندی (دقت، صحت، فراخوانی)
• 42. ماتریس درهم‌ریختگی (Confusion Matrix)
• 43. منحنی ROC و AUC
• 44. ماشین‌های بردار پشتیبان (SVM)
• 45. مفهوم جداسازی خطی
• 46. هسته‌ها (Kernels) در SVM
• 47. تنظیم پارامترهای SVM
• 48. درختان تصمیم (Decision Trees)
• 49. ایجاد درخت تصمیم
• 50. شاخص گینی و آنتروپی
• 51. برش و هرس درختان تصمیم
• 52. ارزیابی درختان تصمیم
• 53. جنگل‌های تصادفی (Random Forests)
• 54. مفهوم Bagging
• 55. ساخت جنگل تصادفی
• 56. تنظیم پارامترهای جنگل تصادفی
• 57. K-نزدیکترین همسایه (K-NN)
• 58. مفهوم فاصله‌سنجی
• 59. انتخاب مقدار K
• 60. تنظیم پارامتر K-NN
• 61. مدل‌های خوشه‌بندی (Clustering)
• 62. خوشه‌بندی K-Means
• 63. انتخاب تعداد خوشه‌ها (K)
• 64. الگوریتم K-Means
• 65. ارزیابی خوشه‌بندی
• 66. خوشه‌بندی سلسله مراتبی
• 67. دندروگرام‌ها (Dendrograms)
• 68. متریک‌های فاصله
• 69. کاهش ابعاد (Dimensionality Reduction)
• 70. تحلیل مؤلفه‌های اصلی (PCA)
• 71. مفهوم واریانس
• 72. محاسبه مؤلفه‌های اصلی
• 73. تفسیر مؤلفه‌های اصلی
• 74. کاربرد PCA در مدل‌سازی
• 75. انتخاب ویژگی (Feature Selection)
• 76. روش‌های مبتنی بر فیلتر
• 77. روش‌های مبتنی بر Wrapper
• 78. روش‌های مبتنی بر Embedded
• 79. مهندسی ویژگی (Feature Engineering)
• 80. ایجاد ویژگی‌های جدید
• 81. تبدیل ویژگی‌های دسته‌ای
• 82. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 83. استانداردسازی (Standardization)
• 84. نرمال‌سازی (Normalization)
• 85. مدل‌های Ensemble
• 86. مفهوم ترکیب مدل‌ها
• 87. Bagging و Boosting
• 88. Gradient Boosting Machines (GBM)
• 89. تنظیم پارامترهای GBM
• 90. LightGBM و XGBoost
• 91. استفاده از کتابخانه Scikit-learn
• 92. پیاده‌سازی مدل‌های مختلف در Scikit-learn
• 93. ارزیابی و اعتبارسنجی متقابل (Cross-Validation)
• 94. اعتبارسنجی K-Fold
• 95. اعتبارسنجی Stratified K-Fold
• 96. تنظیم فراپارامترها (Hyperparameter Tuning)
• 97. جستجوی شبکه‌ای (Grid Search)
• 98. جستجوی تصادفی (Random Search)
• 99. تنظیمات پیشرفته در Scikit-learn
• 100. کار با داده‌های بزرگ