اپلیکیشن اندرویدی فلش‌کارت آموزشی پیاده‌سازی یادگیری بدون نظارت با Python و کتابخانه‌های مرتبط

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی یادگیری بدون نظارت با Python و کتابخانه‌های مرتبط

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری نظارت نشده (Unsupervised Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری بدون نظارت
• 2. مفاهیم اصلی یادگیری بدون نظارت
• 3. تفاوت یادگیری بدون نظارت و با نظارت
• 4. کاربردهای یادگیری بدون نظارت در صنعت
• 5. نصب و پیکربندی محیط توسعه پایتون
• 6. مقدمه‌ای بر کتابخانه NumPy برای محاسبات عددی
• 7. آشنایی با ساختارهای داده NumPy
• 8. عملیات بر روی آرایه‌های NumPy
• 9. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
• 10. ساخت و دستکاری DataFrame در Pandas
• 11. عملیات بر روی داده‌ها در Pandas
• 12. مقدمه‌ای بر کتابخانه Scikit-learn
• 13. ساختار کلی الگوریتم‌های یادگیری ماشین در Scikit-learn
• 14. پیش‌پردازش داده‌ها برای یادگیری بدون نظارت
• 15. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 16. نرمال‌سازی و استانداردسازی داده‌ها
• 17. کاهش ابعاد داده‌ها: اصول و مبانی
• 18. تحلیل مولفه‌های اصلی (PCA)
• 19. توضیح PCA و کاربردهای آن
• 20. پیاده‌سازی PCA با Scikit-learn
• 21. تحلیل مولفه‌های مستقل (ICA)
• 22. توضیح ICA و کاربردهای آن
• 23. پیاده‌سازی ICA با Scikit-learn
• 24. روش‌های کاهش ابعاد غیرخطی (t-SNE)
• 25. توضیح t-SNE و کاربردهای آن
• 26. پیاده‌سازی t-SNE با Scikit-learn
• 27. خوشه‌بندی: مفاهیم و انواع
• 28. کاربردهای خوشه‌بندی
• 29. خوشه‌بندی K-Means
• 30. پیاده‌سازی K-Means با Scikit-learn
• 31. انتخاب تعداد بهینه خوشه‌ها در K-Means
• 32. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 33. انواع خوشه‌بندی سلسله مراتبی
• 34. پیاده‌سازی خوشه‌بندی سلسله مراتبی با Scikit-learn
• 35. خوشه‌بندی DBSCAN
• 36. ویژگی‌ها و مزایای DBSCAN
• 37. پیاده‌سازی DBSCAN با Scikit-learn
• 38. ارزیابی مدل‌های خوشه‌بندی
• 39. معیارهای ارزیابی خوشه‌بندی
• 40. مقدمه‌ای بر قواعد وابستگی (Association Rules)
• 41. کاربردهای قواعد وابستگی
• 42. الگوریتم Apriori
• 43. پیاده‌سازی Apriori برای کشف قواعد وابستگی
• 44. متریک‌های ارزیابی قواعد وابستگی (Support, Confidence, Lift)
• 45. مقدمه‌ای بر شبکه‌های عصبی برای یادگیری بدون نظارت
• 46. خودرمزگذارها (Autoencoders)
• 47. معماری پایه خودرمزگذارها
• 48. پیاده‌سازی خودرمزگذار ساده با TensorFlow/Keras
• 49. کاربردهای خودرمزگذارها در کاهش ابعاد
• 50. خودرمزگذارهای عمیق (Deep Autoencoders)
• 51. پیاده‌سازی خودرمزگذارهای عمیق
• 52. خودرمزگذارهای واریانسی (Variational Autoencoders - VAEs)
• 53. معماری VAEs
• 54. پیاده‌سازی VAEs
• 55. کاربردهای VAEs در تولید داده
• 56. شبکه‌های مولد تخاصمی (GANs)
• 57. معماری پایه GANs
• 58. پیاده‌سازی GANs ساده
• 59. کاربردهای GANs در تولید تصاویر
• 60. تشخیص ناهنجاری (Anomaly Detection)
• 61. مفاهیم و روش‌های تشخیص ناهنجاری
• 62. تشخیص ناهنجاری با استفاده از K-Means
• 63. تشخیص ناهنجاری با استفاده از DBSCAN
• 64. تشخیص ناهنجاری با خودرمزگذارها
• 65. مقدمه‌ای بر مدل‌سازی موضوعی (Topic Modeling)
• 66. کاربردهای مدل‌سازی موضوعی
• 67. الگوریتم Latent Dirichlet Allocation (LDA)
• 68. پیاده‌سازی LDA با Gensim
• 69. تفسیر نتایج مدل LDA
• 70. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 71. مفاهیم پایه یادگیری تقویتی
• 72. کاربردهای یادگیری تقویتی
• 73. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNNs) برای یادگیری بدون نظارت
• 74. کاربرد CNNs در یادگیری بدون نظارت
• 75. استفاده از CNNs در خودرمزگذارها
• 76. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 77. کاربرد یادگیری بدون نظارت در NLP
• 78. مدل‌سازی موضوعی در NLP
• 79. کاهش ابعاد برای داده‌های متنی
• 80. مدیریت داده‌های بزرگ در یادگیری بدون نظارت
• 81. استفاده از Spark برای یادگیری بدون نظارت
• 82. ملاحظات اخلاقی در یادگیری بدون نظارت
• 83. حفظ حریم خصوصی داده‌ها
• 84. جلوگیری از سوگیری در مدل‌ها
• 85. کاربرد یادگیری بدون نظارت در تشخیص الگو
• 86. کاربرد یادگیری بدون نظارت در بخش‌بندی تصاویر
• 87. کاربرد یادگیری بدون نظارت در تحلیل رفتار مشتری
• 88. کاربرد یادگیری بدون نظارت در سیستم‌های توصیه‌گر (بخش بدون نظارت)
• 89. کاربرد یادگیری بدون نظارت در کشف دانش
• 90. مطالعه موردی: خوشه‌بندی مشتریان
• 91. مطالعه موردی: کاهش ابعاد داده‌های ژنتیکی
• 92. مطالعه موردی: مدل‌سازی موضوعی مقالات علمی
• 93. مطالعه موردی: تشخیص ناهنجاری در تراکنش‌های مالی
• 94. مقدمه‌ای بر کتابخانه Plotly برای بصری‌سازی
• 95. بصری‌سازی نتایج خوشه‌بندی با Plotly
• 96. بصری‌سازی نتایج کاهش ابعاد با Plotly
• 97. تکنیک‌های پیشرفته در یادگیری بدون نظارت
• 98. یادگیری بدون نظارت برای داده‌های سری زمانی
• 99. یادگیری بدون نظارت برای داده‌های گراف
• 100. مقایسه الگوریتم‌های مختلف خوشه‌بندی