اپلیکیشن اندرویدی فلش‌کارت آموزشی یادگیری ماشین کاربردی با پایتون برای تحلیل داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین کاربردی با پایتون برای تحلیل داده

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: علم داده و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و یادگیری ماشین
• 2. نصب و راه‌اندازی محیط توسعه پایتون
• 3. آشنایی با کتابخانه‌های کلیدی علم داده (NumPy, Pandas)
• 4. کار با ساختارهای داده‌ای در پایتون
• 5. مقدمه‌ای بر تحلیل اکتشافی داده (EDA)
• 6. مفهوم و انواع داده‌ها
• 7. پاکسازی و پیش‌پردازش داده‌ها
• 8. مدیریت داده‌های گم‌شده
• 9. شناسایی و مدیریت داده‌های پرت
• 10. استانداردسازی و نرمال‌سازی داده‌ها
• 11. مهندسی ویژگی (Feature Engineering)
• 12. انتخاب ویژگی (Feature Selection)
• 13. مقدمه‌ای بر یادگیری ماشین
• 14. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت، تقویتی)
• 15. مفاهیم اساسی مدل‌های یادگیری ماشین
• 16. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 17. معیارهای ارزیابی مدل‌ها
• 18. بایاس و واریانس (Bias-Variance Tradeoff)
• 19. رگرسیون خطی (Linear Regression)
• 20. ارزیابی مدل‌های رگرسیون
• 21. رگرسیون لجستیک (Logistic Regression)
• 22. مقدمه‌ای بر طبقه‌بندی
• 23. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 24. ماتریس درهم‌ریختگی (Confusion Matrix)
• 25. درختان تصمیم (Decision Trees)
• 26. قانون‌گذاری (Pruning) در درختان تصمیم
• 27. جنگل‌های تصادفی (Random Forests)
• 28. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 29. شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN)
• 30. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 31. شبکه‌های عصبی کانولوشنال (CNN)
• 32. شبکه‌های عصبی بازگشتی (RNN)
• 33. مدل‌های زبانی (Language Models)
• 34. پردازش زبان طبیعی (NLP)
• 35. توکن‌سازی (Tokenization)
• 36. ریشه‌یابی (Stemming) و لماتیزاسیون (Lemmatization)
• 37. مدل‌سازی موضوعی (Topic Modeling)
• 38. تحلیل احساسات (Sentiment Analysis)
• 39. کار با داده‌های متنی در پایتون
• 40. مقدمه‌ای بر یادگیری بدون نظارت
• 41. خوشه‌بندی (Clustering)
• 42. الگوریتم K-Means
• 43. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 44. کاهش ابعاد (Dimensionality Reduction)
• 45. تحلیل مولفه‌های اصلی (Principal Component Analysis - PCA)
• 46. تحلیل تمایز خطی (Linear Discriminant Analysis - LDA)
• 47. مقدمه‌ای بر مدل‌های پیش‌بینی سری زمانی
• 48. مدل ARIMA
• 49. مدل‌های پیش‌بینی سری زمانی با یادگیری ماشین
• 50. کار با داده‌های سری زمانی در پایتون
• 51. شبکه‌های عصبی برای سری‌های زمانی
• 52. مقدمه‌ای بر یادگیری تقویتی
• 53. مفاهیم عامل، محیط، پاداش
• 54. الگوریتم Q-Learning
• 55. تکنیک‌های یادگیری تقویتی عمیق
• 56. کاربردهای یادگیری تقویتی
• 57. مقدمه‌ای بر مدل‌های گراف
• 58. یادگیری ماشین روی گراف‌ها (GNNs)
• 59. کار با داده‌های گراف در پایتون
• 60. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 61. کاربرد یادگیری انتقالی در مدل‌های از پیش آموزش‌دیده
• 62. تنظیم دقیق (Fine-tuning) مدل‌ها
• 63. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 64. کاربرد یادگیری فعال در برچسب‌گذاری داده‌ها
• 65. مقدمه‌ای بر یادگیری مولد (Generative Learning)
• 66. شبکه‌های مولد تخاصمی (GANs)
• 67. کاربرد GANs در تولید داده
• 68. مقدمه‌ای بر یادگیری قابل تفسیر (Interpretable ML)
• 69. تکنیک‌های تفسیر مدل‌ها
• 70. شبه‌مقادیر (Shapley Values)
• 71. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 72. سوگیری در مدل‌ها و راه‌های مقابله
• 73. حریم خصوصی در علم داده
• 74. کاربردهای عملی علم داده در صنعت
• 75. علم داده در حوزه سلامت
• 76. علم داده در حوزه مالی
• 77. علم داده در حوزه بازاریابی
• 78. علم داده در حوزه تولید
• 79. علم داده در حوزه حمل و نقل
• 80. علم داده در حوزه انرژی
• 81. علم داده در حوزه حکمرانی
• 82. پروژه‌های کاربردی علم داده
• 83. توسعه مدل یادگیری ماشین برای پیش‌بینی
• 84. ساخت سیستم توصیه‌گر
• 85. تحلیل داده‌های شبکه‌های اجتماعی
• 86. پیش‌بینی تقاضا در کسب و کار
• 87. شناسایی تقلب در تراکنش‌های مالی
• 88. تحلیل داده‌های اینترنت اشیاء (IoT)
• 89. پردازش و تحلیل تصاویر پزشکی
• 90. مدل‌سازی ریسک در بیمه
• 91. بهینه‌سازی فرآیندهای تولید
• 92. تحلیل داده‌های آب و هوایی
• 93. ساخت چت‌بات هوشمند
• 94. توسعه سیستم‌های تشخیص گفتار
• 95. کاربرد هوش مصنوعی در کشاورزی
• 96. تحلیل داده‌های بازار سهام
• 97. توسعه مدل‌های پیش‌بینی ترافیک
• 98. مقدمه‌ای بر یادگیری توزیع‌شده
• 99. یادگیری ماشین فدرال (Federated Learning)
• 100. ملاحظات امنیتی در یادگیری ماشین