اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر یادگیری ماشین با پایتون: از مبانی تا کاربرد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر یادگیری ماشین با پایتون: از مبانی تا کاربرد

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علوم کامپیوتر برای یادگیری ماشین
• 2. ساختار داده‌های بنیادی در پایتون
• 3. الگوریتم‌های پایه و تحلیل پیچیدگی
• 4. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 5. ساختارهای کنترلی در پایتون
• 6. توابع و ماژول‌ها در پایتون
• 7. کار با رشته‌ها و داده‌های متنی
• 8. ساختارهای داده پیشرفته پایتون: لیست‌ها و تاپل‌ها
• 9. دیکشنری‌ها و مجموعه‌ها در پایتون
• 10. مقدمه‌ای بر برنامه‌نویسی شیءگرا در پایتون
• 11. مفهوم کلاس‌ها و اشیاء
• 12. وراثت و پلی‌مورفیسم در پایتون
• 13. مدیریت فایل‌ها و ورودی/خروجی در پایتون
• 14. مقدمه‌ای بر کتابخانه‌های علمی پایتون
• 15. نصب و پیکربندی محیط توسعه پایتون
• 16. مقدمه‌ای بر یادگیری ماشین
• 17. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 18. کاربردها و چشم‌انداز یادگیری ماشین
• 19. مبانی ریاضی یادگیری ماشین: جبر خطی
• 20. مبانی ریاضی یادگیری ماشین: حساب دیفرانسیل و انتگرال
• 21. مبانی ریاضی یادگیری ماشین: احتمالات و آمار
• 22. مقدمه‌ای بر کتابخانه NumPy برای محاسبات عددی
• 23. عملیات برداری و ماتریسی با NumPy
• 24. توابع آماری و ریاضی در NumPy
• 25. مقدمه‌ای بر کتابخانه Pandas برای تحلیل داده
• 26. ساخت DataFrame و Series در Pandas
• 27. پاکسازی و پیش‌پردازش داده‌ها با Pandas
• 28. فیلتر کردن و انتخاب داده‌ها در Pandas
• 29. ادغام و ترکیب داده‌ها با Pandas
• 30. تجسم داده‌ها با Matplotlib
• 31. ایجاد نمودارهای پایه با Matplotlib
• 32. تنظیمات پیشرفته نمودارها در Matplotlib
• 33. مقدمه‌ای بر کتابخانه Seaborn برای تجسم پیشرفته
• 34. نمودارهای آماری با Seaborn
• 35. نقش داده‌ها در یادگیری ماشین
• 36. جمع‌آوری و آماده‌سازی داده‌ها
• 37. مهندسی ویژگی (Feature Engineering)
• 38. انتخاب ویژگی (Feature Selection)
• 39. مقدمه‌ای بر مدل‌های یادگیری ماشین نظارت‌شده
• 40. رگرسیون خطی ساده
• 41. ارزیابی مدل‌های رگرسیون
• 42. رگرسیون خطی چندگانه
• 43. مقدمه‌ای بر طبقه‌بندی
• 44. رگرسیون لجستیک
• 45. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت، بازیابی
• 46. ماتریس درهم‌ریختگی (Confusion Matrix)
• 47. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 48. کاربرد SVM در طبقه‌بندی
• 49. مقدمه‌ای بر درختان تصمیم
• 50. ساخت درخت تصمیم برای طبقه‌بندی
• 51. مقدمه‌ای بر جنگل‌های تصادفی (Random Forests)
• 52. کاربرد جنگل‌های تصادفی در طبقه‌بندی
• 53. مقدمه‌ای بر مدل‌های یادگیری ماشین بدون نظارت
• 54. خوشه‌بندی (Clustering)
• 55. الگوریتم K-Means
• 56. ارزیابی مدل‌های خوشه‌بندی
• 57. تحلیل مولفه‌های اصلی (PCA)
• 58. کاربرد PCA در کاهش ابعاد
• 59. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 60. مبانی پرسپترون
• 61. تابع فعال‌سازی در شبکه‌های عصبی
• 62. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 63. آموزش شبکه‌های عصبی: پس‌انتشار خطا (Backpropagation)
• 64. مقدمه‌ای بر یادگیری عمیق
• 65. مقدمه‌ای بر کتابخانه TensorFlow
• 66. مقدمه‌ای بر کتابخانه Keras
• 67. ساخت و آموزش مدل‌های ساده با Keras
• 68. کاربرد شبکه‌های عصبی کانولوشنال (CNN)
• 69. کاربرد شبکه‌های عصبی بازگشتی (RNN)
• 70. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 71. پیش‌پردازش متن برای NLP
• 72. مدل‌سازی موضوعی (Topic Modeling)
• 73. تحلیل احساسات (Sentiment Analysis)
• 74. مقدمه‌ای بر یادگیری تقویتی
• 75. مفاهیم پایه در یادگیری تقویتی
• 76. کاربرد یادگیری تقویتی
• 77. مقدمه‌ای بر مهندسی نرم‌افزار
• 78. چرخه حیات توسعه نرم‌افزار
• 79. روش‌های توسعه چابک (Agile)
• 80. مفاهیم پایه پایگاه داده
• 81. مقدمه‌ای بر SQL
• 82. طراحی پایگاه داده رابطه‌ای
• 83. مقدمه‌ای بر امنیت سایبری در نرم‌افزار
• 84. اصول امن‌نویسی (Secure Coding)
• 85. مدیریت خطا و استثنا در پایتون
• 86. مقدمه‌ای بر تست نرم‌افزار
• 87. انواع تست: واحد، یکپارچه‌سازی، سیستمی
• 88. مقدمه‌ای بر استقرار نرم‌افزار (Deployment)
• 89. مقدمه‌ای بر مفاهیم DevOps
• 90. مقدمه‌ای بر معماری نرم‌افزار
• 91. الگوهای طراحی نرم‌افزار
• 92. مقدمه‌ای بر کاربردهای هوش مصنوعی در صنعت
• 93. هوش مصنوعی در حوزه سلامت
• 94. هوش مصنوعی در حوزه مالی
• 95. هوش مصنوعی در حوزه آموزش
• 96. کاربردهای یادگیری ماشین در کسب‌وکار
• 97. اخلاق در هوش مصنوعی و یادگیری ماشین
• 98. حریم خصوصی داده‌ها در هوش مصنوعی
• 99. پیش‌بینی و تحلیل روندها با یادگیری ماشین
• 100. سیستم‌های توصیه‌گر (Recommender Systems)