اپلیکیشن اندرویدی فلش‌کارت آموزشی جامع پایتون برای علم داده و یادگیری ماشین: از مقدماتی تا پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع پایتون برای علم داده و یادگیری ماشین: از مقدماتی تا پیشرفته

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: تحلیل داده و یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه: علم داده و یادگیری ماشین در پایتون
• 2. نصب پایتون و محیط توسعه
• 3. آشنایی با انواع داده در پایتون
• 4. متغیرها و انواع داده پایه
• 5. عملگرها در پایتون
• 6. دستورات شرطی: if, elif, else
• 7. حلقه‌ها: for و while
• 8. ساختارهای داده: لیست‌ها
• 9. ساختارهای داده: تاپل‌ها
• 10. ساختارهای داده: دیکشنری‌ها
• 11. ساختارهای داده: مجموعه‌ها
• 12. توابع در پایتون
• 13. ماژول‌ها و بسته‌های پایتون
• 14. مدیریت خطا و استثنا
• 15. کار با فایل‌ها در پایتون
• 16. مقدمه‌ای بر NumPy
• 17. آرایه‌های NumPy
• 18. عملیات برداری با NumPy
• 19. ایندکس‌گذاری و برش در NumPy
• 20. توابع ریاضی NumPy
• 21. مقدمه‌ای بر Pandas
• 22. ساختار داده Series در Pandas
• 23. ساختار داده DataFrame در Pandas
• 24. بارگذاری و ذخیره داده با Pandas
• 25. انتخاب و فیلتر کردن داده در Pandas
• 26. عملیات بر روی ستون‌ها و ردیف‌ها
• 27. گروه‌بندی و تجمیع داده
• 28. ترکیب و ادغام DataFrames
• 29. مدیریت داده‌های گمشده
• 30. پاکسازی و پیش‌پردازش داده
• 31. مقدمه‌ای بر Matplotlib
• 32. رسم نمودارهای خطی
• 33. رسم نمودارهای پراکندگی
• 34. رسم نمودارهای میله‌ای
• 35. رسم نمودارهای هیستوگرام
• 36. تنظیمات نمودار و شخصی‌سازی
• 37. مقدمه‌ای بر Seaborn
• 38. نمودارهای آماری با Seaborn
• 39. نمودارهای توزیع با Seaborn
• 40. نمودارهای دسته‌بندی با Seaborn
• 41. نمودارهای رگرسیون با Seaborn
• 42. مقدمه‌ای بر یادگیری ماشین
• 43. انواع یادگیری ماشین: نظارت شده
• 44. انواع یادگیری ماشین: بدون نظارت
• 45. انواع یادگیری ماشین: تقویتی
• 46. انواع یادگیری ماشین: نیمه نظارت شده
• 47. مفاهیم ارزیابی مدل
• 48. معیارهای ارزیابی مدل‌های رگرسیون
• 49. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 50. بیش‌برازش و کم‌برازش
• 51. تنظیم هایپرپارامترها
• 52. اعتبارسنجی متقابل (Cross-Validation)
• 53. مقدمه‌ای بر Scikit-learn
• 54. آماده‌سازی داده برای مدل‌سازی
• 55. تقسیم داده به مجموعه آموزش و آزمون
• 56. رگرسیون خطی
• 57. رگرسیون لجستیک
• 58. درخت تصمیم برای رگرسیون
• 59. درخت تصمیم برای طبقه‌بندی
• 60. ماشین بردار پشتیبان (SVM)
• 61. K-نزدیکترین همسایه (KNN)
• 62. مدل‌های تجمیعی: جنگل تصادفی
• 63. مدل‌های تجمیعی: بوستینگ گرادیان
• 64. مقدمه‌ای بر خوشه‌بندی
• 65. الگوریتم K-Means
• 66. خوشه‌بندی سلسله مراتبی
• 67. تحلیل مؤلفه‌های اصلی (PCA)
• 68. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 69. توکن‌سازی و نرمال‌سازی متن
• 70. حذف کلمات توقف (Stop Words)
• 71. ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 72. نمایش متنی: Bag-of-Words
• 73. نمایش متنی: TF-IDF
• 74. مقدمه‌ای بر شبکه‌های عصبی
• 75. ساختار پرسپترون
• 76. شبکه‌های عصبی پیش‌خور (Feedforward)
• 77. توابع فعال‌سازی
• 78. پس‌انتشار خطا (Backpropagation)
• 79. مقدمه‌ای بر TensorFlow و Keras
• 80. ساخت مدل‌های ساده با Keras
• 81. لایه‌های شبکه‌های عصبی
• 82. بهینه‌سازها در شبکه‌های عصبی
• 83. توابع زیان (Loss Functions)
• 84. آموزش و ارزیابی مدل با Keras
• 85. کار با داده‌های تصویری
• 86. شبکه‌های عصبی کانولوشنی (CNN)
• 87. لایه‌های کانولوشن و پولینگ
• 88. کاربرد CNN در تشخیص تصویر
• 89. کاربرد CNN در طبقه‌بندی تصویر
• 90. مقدمه‌ای بر یادگیری عمیق
• 91. مباحث پیشرفته در CNN
• 92. مقدمه‌ای بر یادگیری تقویتی
• 93. مفاهیم پایه یادگیری تقویتی
• 94. الگوریتم‌های یادگیری تقویتی
• 95. کاربردهای یادگیری تقویتی
• 96. مباحث پیشرفته در یادگیری ماشین
• 97. اخلاق در علم داده و هوش مصنوعی
• 98. ملاحظات امنیتی در تحلیل داده
• 99. حریم خصوصی داده‌ها
• 100. تفسیرپذیری مدل‌های یادگیری ماشین