اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی علم داده و یادگیری ماشین با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی علم داده و یادگیری ماشین با پایتون

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: علم داده و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده
• 2. آشنایی با مفاهیم کلیدی علم داده
• 3. کاربرد علم داده در صنعت
• 4. ابزارها و کتابخانه‌های علم داده در پایتون
• 5. نصب و پیکربندی محیط پایتون برای علم داده
• 6. مبانی برنامه‌نویسی پایتون برای علم داده
• 7. ساختارهای داده در پایتون (لیست‌ها، تاپل‌ها، دیکشنری‌ها)
• 8. عملیات پایه با داده‌ها در پایتون
• 9. کتابخانه NumPy برای محاسبات عددی
• 10. آرایه‌های NumPy و عملیات روی آن‌ها
• 11. نمایش داده‌ها با کتابخانه Matplotlib
• 12. رسم نمودارهای پایه (خطی، میله‌ای، پراکندگی)
• 13. کتابخانه Pandas برای دستکاری و تحلیل داده
• 14. ساختارهای داده DataFrame و Series در Pandas
• 15. بارگذاری و ذخیره داده‌ها با Pandas
• 16. پاکسازی و پیش‌پردازش داده‌ها
• 17. مدیریت مقادیر گمشده (Missing Values)
• 18. تبدیل و نرمال‌سازی داده‌ها
• 19. شناسایی و حذف داده‌های پرت (Outliers)
• 20. مهندسی ویژگی (Feature Engineering)
• 21. ایجاد ویژگی‌های جدید از داده‌های موجود
• 22. انتخاب ویژگی (Feature Selection)
• 23. مقدمه‌ای بر یادگیری ماشین
• 24. یادگیری نظارت شده (Supervised Learning)
• 25. یادگیری بدون نظارت (Unsupervised Learning)
• 26. یادگیری تقویتی (Reinforcement Learning)
• 27. انواع مسائل در یادگیری ماشین (رگرسیون، طبقه‌بندی)
• 28. الگوریتم رگرسیون خطی (Linear Regression)
• 29. ارزیابی مدل‌های رگرسیون
• 30. الگوریتم رگرسیون لجستیک (Logistic Regression)
• 31. مقدمه‌ای بر طبقه‌بندی
• 32. الگوریتم ماشین بردار پشتیبان (SVM)
• 33. الگوریتم درخت تصمیم (Decision Tree)
• 34. الگوریتم جنگل تصادفی (Random Forest)
• 35. الگوریتم K-نزدیک‌ترین همسایه (K-NN)
• 36. ارزیابی مدل‌های طبقه‌بندی
• 37. ماتریس درهم‌ریختگی (Confusion Matrix)
• 38. دقت (Accuracy)، صحت (Precision) و بازیابی (Recall)
• 39. شاخص F1 (F1-Score)
• 40. منحنی ROC و سطح زیر منحنی (AUC)
• 41. ریسک بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 42. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 43. اعتبارسنجی متقابل (Cross-Validation)
• 44. الگوریتم خوشه‌بندی K-Means
• 45. ارزیابی مدل‌های خوشه‌بندی
• 46. کاهش ابعاد (Dimensionality Reduction)
• 47. تحلیل مولفه‌های اصلی (PCA)
• 48. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 49. توکنیزاسیون (Tokenization) و نرمال‌سازی متن
• 50. نمایش متنی به صورت بردار (Bag-of-Words, TF-IDF)
• 51. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANN)
• 52. لایه ورودی، لایه‌های پنهان و لایه خروجی
• 53. توابع فعال‌سازی (Activation Functions)
• 54. پس‌انتشار خطا (Backpropagation)
• 55. آموزش شبکه‌های عصبی
• 56. شبکه‌های عصبی کانولوشنی (CNN)
• 57. کاربرد CNN در پردازش تصویر
• 58. شبکه‌های عصبی بازگشتی (RNN)
• 59. کاربرد RNN در پردازش توالی (مانند متن)
• 60. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 61. معماری‌های رایج یادگیری عمیق
• 62. کاربردهای علم داده و یادگیری ماشین در کسب‌وکار
• 63. تحلیل داده‌های مشتریان
• 64. پیش‌بینی فروش
• 65. سیستم‌های توصیه‌گر (Recommendation Systems)
• 66. شناسایی تقلب (Fraud Detection)
• 67. مدیریت ریسک در نظام بانکی
• 68. اصول و مبانی اقتصاد اسلامی در بانکداری
• 69. مبانی عقود اسلامی در نظام بانکی
• 70. مدیریت سرمایه‌گذاری در چارچوب اسلامی
• 71. اصول بیمه در فقه اسلامی
• 72. اخلاق حرفه‌ای در علم داده
• 73. ملاحظات شرعی در جمع‌آوری و استفاده از داده
• 74. حریم خصوصی و امنیت داده‌ها در چارچوب قوانین
• 75. مسئولیت‌پذیری در الگوریتم‌های یادگیری ماشین
• 76. مبانی تحلیل آماری داده‌ها
• 77. توزیع‌های آماری رایج
• 78. آزمون فرض آماری
• 79. مقدمه‌ای بر بهینه‌سازی
• 80. الگوریتم‌های بهینه‌سازی در یادگیری ماشین
• 81. یادگیری آماری (Statistical Learning)
• 82. مدل‌های خطی تعمیم‌یافته (Generalized Linear Models)
• 83. مدل‌های یادگیری مبتنی بر درخت (Tree-Based Learning)
• 84. مجموعه‌های تقویت‌شده (Ensemble Methods)
• 85. مقدمه‌ای بر یادگیری عمیق پیشرفته
• 86. شبکه‌های مولد تخاصمی (GANs)
• 87. شبکه‌های عصبی ترنسفورمر (Transformers)
• 88. کاربرد ترنسفورمرها در NLP
• 89. اصول داده‌کاوی (Data Mining)
• 90. قواعد وابستگی (Association Rules)
• 91. کشف الگوهای پنهان در داده‌ها
• 92. مبانی تحلیل سری‌های زمانی (Time Series Analysis)
• 93. مدل‌های ARIMA
• 94. پیش‌بینی در سری‌های زمانی
• 95. مقدمه‌ای بر یادگیری تقویتی
• 96. عوامل، محیط و پاداش در یادگیری تقویتی
• 97. الگوریتم‌های Q-Learning
• 98. کاربرد یادگیری تقویتی در رباتیک و بازی‌ها
• 99. کاربرد علم داده در بهداشت و درمان
• 100. تشخیص بیماری‌ها با یادگیری ماشین