اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی یادگیری ماشین و کاربرد آن با SciKit-Learn

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین و کاربرد آن با SciKit-Learn

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین با استفاده از کتابخانه‌های استاندارد

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. تعریف یادگیری ماشین و انواع آن
• 3. کاربرد یادگیری ماشین در دنیای امروز
• 4. مراحل کلی در یک پروژه یادگیری ماشین
• 5. محیط توسعه و نصب ابزارهای لازم
• 6. آشنایی با کتابخانه NumPy برای محاسبات عددی
• 7. کار با آرایه‌ها و عملیات بر روی آن‌ها در NumPy
• 8. آشنایی با کتابخانه Pandas برای تحلیل داده
• 9. ساختار داده DataFrame در Pandas
• 10. خواندن و نوشتن داده‌ها با Pandas
• 11. پاکسازی و پیش‌پردازش داده‌ها
• 12. مدیریت مقادیر گمشده در داده‌ها
• 13. شناسایی و حذف داده‌های پرت
• 14. تبدیل داده‌های دسته‌ای به عددی (Encoding)
• 15. مقیاس‌بندی ویژگی‌ها (Feature Scaling)
• 16. آشنایی با کتابخانه Matplotlib برای بصری‌سازی داده
• 17. رسم نمودارهای خطی و پراکندگی
• 18. رسم نمودارهای میله‌ای و هیستوگرام
• 19. تنظیمات پیشرفته در Matplotlib
• 20. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
• 21. یادگیری با ناظر (Supervised Learning)
• 22. یادگیری بدون ناظر (Unsupervised Learning)
• 23. یادگیری تقویتی (Reinforcement Learning)
• 24. مفهوم مدل و نحوه آموزش آن
• 25. مجموعه داده‌های آموزشی و آزمایشی
• 26. تقسیم داده‌ها به مجموعه آموزشی و آزمایشی
• 27. ارزیابی مدل‌های یادگیری ماشین
• 28. معیارهای ارزیابی برای مسائل رگرسیون
• 29. معیارهای ارزیابی برای مسائل طبقه‌بندی
• 30. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 31. روش‌های جلوگیری از بیش‌برازش
• 32. اعتبارسنجی متقابل (Cross-Validation)
• 33. رگرسیون خطی ساده (Simple Linear Regression)
• 34. تنظیم پارامترهای رگرسیون خطی
• 35. ارزیابی مدل رگرسیون خطی
• 36. رگرسیون خطی چندگانه (Multiple Linear Regression)
• 37. مقدمه‌ای بر رگرسیون چندجمله‌ای (Polynomial Regression)
• 38. کاربرد SciKit-Learn در رگرسیون
• 39. مدل‌های طبقه‌بندی (Classification Models)
• 40. رگرسیون لجستیک (Logistic Regression)
• 41. مفهوم تابع سیگموئید
• 42. تنظیم پارامترهای رگرسیون لجستیک
• 43. ارزیابی مدل رگرسیون لجستیک
• 44. درخت تصمیم (Decision Tree)
• 45. ساختار و نحوه کار درخت تصمیم
• 46. تنظیم پارامترهای درخت تصمیم
• 47. ارزیابی مدل درخت تصمیم
• 48. ماشین بردار پشتیبان (Support Vector Machine - SVM)
• 49. مفهوم ابرصفحه جداکننده
• 50. هسته‌ها در SVM (Kernel Trick)
• 51. تنظیم پارامترهای SVM
• 52. ارزیابی مدل SVM
• 53. طبقه‌بندی‌کننده بیز ساده (Naive Bayes Classifier)
• 54. مفاهیم احتمالاتی در Naive Bayes
• 55. انواع Naive Bayes
• 56. ارزیابی مدل Naive Bayes
• 57. کی-نزدیک‌ترین همسایه (K-Nearest Neighbors - KNN)
• 58. مفهوم فاصله در KNN
• 59. انتخاب مقدار K
• 60. ارزیابی مدل KNN
• 61. مقدمه‌ای بر یادگیری بدون ناظر
• 62. خوشه‌بندی (Clustering)
• 63. الگوریتم K-Means
• 64. نحوه کار K-Means
• 65. انتخاب تعداد خوشه‌ها
• 66. ارزیابی مدل K-Means
• 67. کاهش ابعاد (Dimensionality Reduction)
• 68. تحلیل مولفه‌های اصلی (Principal Component Analysis - PCA)
• 69. نحوه کار PCA
• 70. کاربرد PCA در کاهش ابعاد
• 71. مقدمه‌ای بر انتخاب ویژگی (Feature Selection)
• 72. روش‌های مبتنی بر فیلتر (Filter Methods)
• 73. روش‌های مبتنی بر لفاف (Wrapper Methods)
• 74. روش‌های ترکیبی (Embedded Methods)
• 75. مهندسی ویژگی (Feature Engineering)
• 76. ایجاد ویژگی‌های جدید
• 77. تبدیل ویژگی‌های موجود
• 78. کاربرد SciKit-Learn در یادگیری بدون ناظر
• 79. مقدمه‌ای بر مدل‌های پیچیده‌تر
• 80. جنگل تصادفی (Random Forest)
• 81. نحوه کار جنگل تصادفی
• 82. مزایا و معایب جنگل تصادفی
• 83. تنظیم پارامترهای جنگل تصادفی
• 84. تقویت گرادیان (Gradient Boosting)
• 85. مفهوم Boosting
• 86. الگوریتم‌های Gradient Boosting (مانند XGBoost)
• 87. کاربرد SciKit-Learn در مدل‌های پیچیده‌تر
• 88. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 89. کاربرد یادگیری ماشین در NLP
• 90. مفاهیم اولیه NLP (توکنایز کردن، ریشه‌یابی)
• 91. استفاده از کتابخانه‌های NLP در پایتون
• 92. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 93. کاربرد یادگیری ماشین در بینایی ماشین
• 94. مفاهیم اولیه بینایی ماشین (پردازش تصویر)
• 95. استفاده از کتابخانه‌های بینایی ماشین در پایتون
• 96. مقدمه‌ای بر شبکه‌های عصبی مصنوعی (ANN)
• 97. ساختار یک نورون مصنوعی
• 98. لایه‌های شبکه‌های عصبی
• 99. آموزش شبکه‌های عصبی (Backpropagation)
• 100. مقدمه‌ای بر یادگیری عمیق (Deep Learning)