اپلیکیشن اندرویدی فلش‌کارت آموزشی Google Colaboratory: ابزار ضروری تحلیلگران داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Colaboratory: ابزار ضروری تحلیلگران داده

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. مقدمه ای بر Google Colaboratory
• 2. آشنایی با محیط Colab
• 3. ایجاد و مدیریت نوت‌بوک‌ها
• 4. اجرای کد در Colab
• 5. استفاده از سلول‌های کد و متن
• 6. تنظیمات و سفارشی‌سازی محیط Colab
• 7. اتصال به Google Drive
• 8. ذخیره و بارگذاری فایل‌ها در Drive
• 9. کار با دیتاست‌ها در Colab
• 10. مقدمه ای بر زبان پایتون برای تحلیل داده
• 11. متغیرها و انواع داده در پایتون
• 12. ساختارهای کنترلی (شرطی و حلقه‌ها)
• 13. توابع در پایتون
• 14. مقدمه ای بر کتابخانه‌های پایتون
• 15. نصب و مدیریت کتابخانه‌ها در Colab
• 16. کتابخانه NumPy برای محاسبات عددی
• 17. آرایه‌ها و عملیات بر روی آن‌ها
• 18. توابع آماری در NumPy
• 19. کتابخانه Pandas برای کار با داده‌های جدولی
• 20. ساختار داده Series
• 21. ساختار داده DataFrame
• 22. بارگذاری و ذخیره داده‌ها با Pandas
• 23. فیلتر کردن و انتخاب داده‌ها
• 24. گروه‌بندی و تجمیع داده‌ها
• 25. ادغام و پیوستن DataFrame ها
• 26. پاکسازی و پیش‌پردازش داده‌ها
• 27. مدیریت مقادیر گمشده (Missing Values)
• 28. شناسایی و حذف داده‌های پرت (Outliers)
• 29. تبدیل انواع داده‌ها
• 30. استفاده از عبارات منظم (Regular Expressions)
• 31. مقدمه ای بر مصورسازی داده‌ها
• 32. کتابخانه Matplotlib برای رسم نمودار
• 33. رسم نمودارهای خطی
• 34. رسم نمودارهای میله‌ای
• 35. رسم نمودارهای پراکندگی
• 36. رسم نمودارهای هیستوگرام
• 37. رسم نمودارهای دایره‌ای (Pie Charts)
• 38. تنظیمات پیشرفته Matplotlib
• 39. کتابخانه Seaborn برای مصورسازی آماری
• 40. نمودارهای Seaborn پیشرفته
• 41. مقدمه ای بر یادگیری ماشین
• 42. انواع یادگیری ماشین (نظارت شده، بدون نظارت)
• 43. مجموعه داده‌های آموزشی و آزمایشی
• 44. ارزیابی مدل‌های یادگیری ماشین
• 45. مقدمه ای بر مدل‌های رگرسیون
• 46. رگرسیون خطی ساده
• 47. رگرسیون خطی چندگانه
• 48. ارزیابی مدل‌های رگرسیون
• 49. مقدمه ای بر مدل‌های طبقه‌بندی
• 50. رگرسیون لجستیک
• 51. ماشین بردار پشتیبان (SVM)
• 52. درختان تصمیم
• 53. جنگل‌های تصادفی (Random Forests)
• 54. ارزیابی مدل‌های طبقه‌بندی
• 55. متریک‌های ارزیابی (دقت، صحت، بازیابی)
• 56. مقدمه ای بر یادگیری بدون نظارت
• 57. خوشه‌بندی (Clustering)
• 58. الگوریتم K-Means
• 59. شاخص‌های ارزیابی خوشه‌بندی
• 60. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 61. کار با متن در پایتون
• 62. توکن‌سازی (Tokenization)
• 63. حذف کلمات توقف (Stop Words Removal)
• 64. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 65. مدل‌سازی موضوعی (Topic Modeling)
• 66. مقدمه ای بر شبکه‌های عصبی
• 67. مفهوم نورون مصنوعی
• 68. معماری شبکه‌های عصبی ساده
• 69. کتابخانه TensorFlow در Colab
• 70. مقدمه ای بر Keras
• 71. ساخت مدل‌های ترتیبی (Sequential Models)
• 72. لایه‌های Dense
• 73. توابع فعال‌سازی (Activation Functions)
• 74. تابع هزینه (Loss Function)
• 75. بهینه‌سازها (Optimizers)
• 76. آموزش و ارزیابی مدل‌های شبکه عصبی
• 77. مقدمه ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 78. کاربرد CNN در پردازش تصویر
• 79. پیاده‌سازی CNN با Keras
• 80. مقدمه ای بر شبکه‌های عصبی بازگشتی (RNN)
• 81. کاربرد RNN در پردازش دنباله‌ها
• 82. پیاده‌سازی RNN با Keras
• 83. استفاده از GPU در Colab برای تسریع محاسبات
• 84. تنظیمات پیشرفته GPU
• 85. مدیریت کتابخانه‌های سفارشی
• 86. اشتراک‌گذاری نوت‌بوک‌ها
• 87. اشکال‌زدایی (Debugging) کد در Colab
• 88. بهینه‌سازی عملکرد کد در Colab
• 89. کاربرد Colab در پروژه‌های واقعی
• 90. مرور کلی بر ابزارهای تحلیل داده در پایتون
• 91. پروژه‌های عملی با Colab
• 92. نکات تکمیلی و پیشرفته در Colab