اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر کار با کتابخانه‌های Python در Colab

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر کار با کتابخانه‌های Python در Colab

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. آشنایی با محیط Google Colaboratory
• 2. نصب و راه‌اندازی کتابخانه‌های پایتون
• 3. نحوه وارد کردن کتابخانه‌های پرکاربرد
• 4. مروری بر ساختار داده‌های اساسی پایتون
• 5. کار با متغیرها و انواع داده‌ها
• 6. دستورات شرطی و حلقه‌ها در پایتون
• 7. توابع و ماژول‌ها در پایتون
• 8. مقدمه‌ای بر برنامه‌نویسی شیءگرا
• 9. مفاهیم کلاس و اشیاء
• 10. وراثت و چندریختی در پایتون
• 11. کار با فایل‌ها و دایرکتوری‌ها
• 12. مدیریت خطاها و استثناها
• 13. مقدمه‌ای بر کتابخانه NumPy
• 14. آرایه‌ها و عملیات بر روی آن‌ها
• 15. توابع ریاضی و آماری NumPy
• 16. مقدمه‌ای بر کتابخانه Pandas
• 17. ساختار داده DataFrame
• 18. بارگذاری و ذخیره داده‌ها با Pandas
• 19. پاکسازی و پیش‌پردازش داده‌ها
• 20. عملیات روی ستون‌ها و ردیف‌ها
• 21. گروه‌بندی و تجمیع داده‌ها
• 22. ادغام و اتصال DataFrames
• 23. کار با داده‌های سری زمانی
• 24. مقدمه‌ای بر کتابخانه Matplotlib
• 25. ایجاد نمودارهای خطی
• 26. رسم نمودارهای میله‌ای
• 27. نمودارهای پراکندگی
• 28. نمودارهای دایره‌ای
• 29. سفارشی‌سازی نمودارها
• 30. مقدمه‌ای بر کتابخانه Seaborn
• 31. نمودارهای آماری پیشرفته
• 32. کار با Heatmaps
• 33. نمودارهای توزیع
• 34. نمودارهای دسته‌بندی
• 35. مقدمه‌ای بر یادگیری ماشین
• 36. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 37. مراحل کلی در پروژه‌های یادگیری ماشین
• 38. مقدمه‌ای بر کتابخانه Scikit-learn
• 39. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 40. نحوه انتخاب مدل مناسب
• 41. ارزیابی عملکرد مدل‌ها
• 42. مقدمه‌ای بر رگرسیون خطی
• 43. پیاده‌سازی رگرسیون خطی با Scikit-learn
• 44. مقدمه‌ای بر رگرسیون لجستیک
• 45. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
• 46. مقدمه‌ای بر دسته‌بندی‌کننده‌های K-نزدیک‌ترین همسایه (KNN)
• 47. پیاده‌سازی KNN با Scikit-learn
• 48. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 49. پیاده‌سازی SVM با Scikit-learn
• 50. مقدمه‌ای بر درخت‌های تصمیم
• 51. پیاده‌سازی درخت تصمیم با Scikit-learn
• 52. مقدمه‌ای بر جنگل‌های تصادفی
• 53. پیاده‌سازی جنگل تصادفی با Scikit-learn
• 54. مقدمه‌ای بر خوشه‌بندی K-Means
• 55. پیاده‌سازی K-Means با Scikit-learn
• 56. مقدمه‌ای بر کاهش ابعاد PCA
• 57. پیاده‌سازی PCA با Scikit-learn
• 58. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 59. پاکسازی متن و پیش‌پردازش
• 60. تکنیک‌های توکنایز کردن
• 61. حذف کلمات توقف (Stop Words)
• 62. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 63. نمایش متنی با Bag-of-Words
• 64. نمایش متنی با TF-IDF
• 65. مقدمه‌ای بر مدل‌های زبانی
• 66. کار با کتابخانه NLTK
• 67. کار با کتابخانه spaCy
• 68. کار با کتابخانه Gensim
• 69. مقدمه‌ای بر تحلیل احساسات
• 70. پیاده‌سازی تحلیل احساسات با Scikit-learn
• 71. مقدمه‌ای بر شبکه‌های عصبی
• 72. لایه‌های شبکه‌های عصبی
• 73. توابع فعال‌سازی
• 74. پس‌انتشار خطا (Backpropagation)
• 75. مقدمه‌ای بر کتابخانه TensorFlow
• 76. ایجاد مدل‌های ساده با TensorFlow
• 77. مقدمه‌ای بر کتابخانه Keras
• 78. ساخت مدل‌های طبقه‌بندی با Keras
• 79. ساخت مدل‌های رگرسیون با Keras
• 80. کار با داده‌های تصویری
• 81. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 82. ساخت CNN با Keras
• 83. کار با داده‌های متنی با CNN
• 84. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 85. ساخت RNN با Keras
• 86. کار با داده‌های متنی با RNN
• 87. مقدمه‌ای بر مدل‌های ترنسفورمر
• 88. کار با مدل‌های از پیش آموزش‌دیده
• 89. تنظیم دقیق مدل‌های ترنسفورمر
• 90. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 91. تنظیم هایپرپارامترها
• 92. اعتبارسنجی متقابل (Cross-validation)
• 93. روش‌های جلوگیری از بیش‌برازش (Overfitting)
• 94. مقدمه‌ای بر استقرار مدل‌ها
• 95. ذخیره و بارگذاری مدل‌های آموزش‌دیده
• 96. مقدمه‌ای بر ابزارهای مصورسازی پیشرفته
• 97. کار با Plotly
• 98. کار با Bokeh
• 99. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 100. مسئولیت‌پذیری در توسعه هوش مصنوعی