اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر یادگیری ماشین و علم داده با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر یادگیری ماشین و علم داده با پایتون

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علم داده و یادگیری ماشین
• 2. مفاهیم پایه پایتون برای علم داده
• 3. ساختارهای داده در پایتون
• 4. توابع و ماژول‌ها در پایتون
• 5. مفاهیم اولیه برنامه‌نویسی شیءگرا
• 6. نصب و پیکربندی محیط توسعه
• 7. کار با کتابخانه‌های NumPy و Pandas
• 8. عملیات پایه با آرایه‌ها در NumPy
• 9. کار با دیتافریم‌ها در Pandas
• 10. بارگذاری و ذخیره داده‌ها
• 11. پاکسازی و پیش‌پردازش داده‌ها
• 12. مدیریت داده‌های گمشده
• 13. شناسایی و حذف داده‌های پرت
• 14. تبدیل و نرمال‌سازی داده‌ها
• 15. مهندسی ویژگی (Feature Engineering)
• 16. مقدمه‌ای بر مصورسازی داده‌ها
• 17. رسم نمودارهای پایه با Matplotlib
• 18. رسم نمودارهای پیشرفته با Seaborn
• 19. تحلیل اکتشافی داده‌ها (EDA)
• 20. مفاهیم پایه آمار برای علم داده
• 21. میانگین، میانه و مد
• 22. واریانس و انحراف معیار
• 23. توزیع‌های آماری رایج
• 24. آزمون فرض آماری
• 25. مقدمه‌ای بر یادگیری ماشین
• 26. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت، تقویتی)
• 27. مجموعه داده‌های آموزشی، اعتبارسنجی و آزمون
• 28. ارزیابی مدل‌ها در یادگیری نظارت‌شده
• 29. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 30. دقت، صحت و بازیابی
• 31. امتیاز F1 و منحنی ROC
• 32. معیارهای ارزیابی مدل‌های رگرسیون
• 33. خطای میانگین مربعات (MSE)
• 34. خطای میانگین قدر مطلق (MAE)
• 35. ضریب تعیین (R-squared)
• 36. مقدمه‌ای بر الگوریتم‌های یادگیری نظارت‌شده
• 37. رگرسیون خطی ساده
• 38. رگرسیون خطی چندگانه
• 39. رگرسیون چندجمله‌ای
• 40. مدل‌های طبقه‌بندی
• 41. رگرسیون لجستیک
• 42. ماشین‌های بردار پشتیبان (SVM)
• 43. درخت‌های تصمیم
• 44. جنگل‌های تصادفی (Random Forests)
• 45. گره‌ترین همسایگان (K-Nearest Neighbors)
• 46. نظارت بر بایاس (Bayesian Classification)
• 47. مقدمه‌ای بر الگوریتم‌های یادگیری بدون نظارت
• 48. خوشه‌بندی (Clustering)
• 49. الگوریتم K-Means
• 50. خوشه‌بندی سلسله‌مراتبی
• 51. تحلیل مؤلفه‌های اصلی (PCA)
• 52. کاهش ابعاد داده‌ها
• 53. مقدمه‌ای بر یادگیری تقویتی
• 54. مفاهیم پایه یادگیری تقویتی
• 55. کاربردها در دنیای واقعی
• 56. مقدمه‌ای بر یادگیری عمیق
• 57. شبکه‌های عصبی مصنوعی
• 58. تابع فعال‌سازی
• 59. پس‌انتشار خطا (Backpropagation)
• 60. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 61. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 62. کاربرد CNN در پردازش تصویر
• 63. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 64. کاربرد RNN در پردازش زبان طبیعی
• 65. یادگیری عمیق برای داده‌های ساختاریافته
• 66. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 67. پیش‌پردازش متن
• 68. توزیع واژگان
• 69. مدل‌سازی موضوعی (Topic Modeling)
• 70. تحلیل احساسات (Sentiment Analysis)
• 71. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 72. فیلترینگ مبتنی بر محتوا
• 73. فیلترینگ مشارکتی
• 74. ترکیب روش‌ها
• 75. کاربرد یادگیری ماشین در تحلیل داده‌های مالی
• 76. پیش‌بینی روند سهام
• 77. تشخیص تقلب
• 78. کاربرد یادگیری ماشین در حوزه سلامت
• 79. تشخیص بیماری‌ها
• 80. تجزیه و تحلیل تصاویر پزشکی
• 81. مقدمه‌ای بر اخلاق در علم داده
• 82. حریم خصوصی داده‌ها
• 83. سوگیری در الگوریتم‌ها
• 84. مسئولیت‌پذیری در هوش مصنوعی
• 85. کاربرد علم داده در کسب و کار
• 86. بهینه‌سازی فرآیندها
• 87. درک رفتار مشتری
• 88. مقدمه‌ای بر ابزارهای پیشرفته علم داده
• 89. چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)
• 90. پلتفرم‌های ابری برای علم داده
• 91. ابزارهای مدیریت پروژه علم داده
• 92. بهینه‌سازی مدل‌ها و پارامترها
• 93. اعتبارسنجی متقابل (Cross-validation)
• 94. تنظیم فراپارامترها (Hyperparameter Tuning)
• 95. یادگیری انتقالی (Transfer Learning)
• 96. مقدمه‌ای بر یادگیری تقویتی پیشرفته
• 97. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 98. کاربردها در رباتیک و بازی‌ها
• 99. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 100. کاربرد GNN در تحلیل شبکه‌های اجتماعی