دوره آموزش زبان‌های برنامه‌نویسی و یادگیری ماشین (Machine Learning) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب آموزش زبان‌های برنامه‌نویسی و یادگیری ماشین (Machine Learning)

موضوع کلی: برنامه نویسی

موضوع میانی: زبان‌های برنامه‌نویسی**

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر برنامه‌نویسی و کامپیوتر
• 2. مفاهیم پایه الگوریتم و فلوچارت
• 3. نصب و راه‌اندازی محیط برنامه‌نویسی پایتون
• 4. اولین برنامه پایتون: Hello World
• 5. متغیرها، انواع داده‌ها و عملگرها در پایتون
• 6. ورودی و خروجی در پایتون
• 7. ساختارهای کنترلی: شرط‌ها (if/else)
• 8. ساختارهای کنترلی: حلقه‌ها (for/while)
• 9. توابع: تعریف و فراخوانی
• 10. توابع: آرگومان‌ها و مقادیر بازگشتی
• 11. مدیریت خطاها و استثناها (Try-Except)
• 12. رشته‌ها و عملیات روی آن‌ها
• 13. لیست‌ها: معرفی و عملیات پایه
• 14. لیست‌های پیشرفته و تو در تو
• 15. تاپل‌ها: معرفی و کاربردها
• 16. مجموعه‌ها (Sets): معرفی و عملیات
• 17. دیکشنری‌ها: معرفی و عملیات پایه
• 18. درک بهتر دیکشنری‌ها و کاربردها
• 19. کار با فایل‌ها: خواندن و نوشتن
• 20. مفهوم ماژول‌ها و پکیج‌ها در پایتون
• 21. معرفی اصول شی‌گرایی (OOP)
• 22. کلاس‌ها و اشیاء: تعریف و ایجاد
• 23. متدها و ویژگی‌ها (Attributes)
• 24. وراثت (Inheritance)
• 25. چندریختی (Polymorphism)
• 26. انتزاع (Abstraction) و کپسوله‌سازی (Encapsulation)
• 27. دکوراتورها و ژنراتورها در پایتون
• 28. برنامه‌نویسی تابعی در پایتون
• 29. مدیریت زمان و تاریخ در پایتون
• 30. معرفی ساختار داده‌ها
• 31. آرایه‌ها و پیاده‌سازی ساده آن‌ها
• 32. لیست پیوندی (Linked List)
• 33. پشته (Stack) و صف (Queue)
• 34. درخت‌ها: مفاهیم پایه
• 35. درخت‌های جستجوی دودویی (BST)
• 36. گراف‌ها: مفاهیم و نمایش
• 37. معرفی الگوریتم‌ها و پیچیدگی زمانی
• 38. الگوریتم‌های جستجو: خطی و دودویی
• 39. الگوریتم‌های مرتب‌سازی: حبابی، انتخابی، درجی
• 40. الگوریتم‌های مرتب‌سازی پیشرفته: ادغامی، سریع
• 41. بازگشت (Recursion) و کاربردهای آن
• 42. برنامه‌نویسی پویا (Dynamic Programming)
• 43. مقدمه‌ای بر NumPy برای محاسبات عددی
• 44. آرایه‌های NumPy: ایجاد و عملیات پایه
• 45. ایندکس‌گذاری و برش آرایه‌های NumPy
• 46. عملیات ریاضی با NumPy
• 47. معرفی Pandas و ساختار داده DataFrame
• 48. ایجاد و دستکاری DataFrame
• 49. انتخاب و فیلتر کردن داده‌ها در Pandas
• 50. گروه‌بندی و تجمیع داده‌ها (Groupby)
• 51. ترکیب و ادغام DataFrameها
• 52. کار با داده‌های از دست رفته (Missing Data)
• 53. پاکسازی داده‌ها با Pandas
• 54. معرفی Matplotlib برای بصری‌سازی داده‌ها
• 55. نمودارهای خطی و پراکندگی
• 56. نمودارهای میله‌ای و هیستوگرام
• 57. سفارشی‌سازی نمودارها
• 58. معرفی Seaborn برای بصری‌سازی پیشرفته
• 59. نمودارهای توزیع و رابطه‌ای
• 60. نمودارهای آماری و شبکه‌ای
• 61. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 62. انواع یادگیری ماشین: نظارت‌شده، بی‌نظارت، تقویتی
• 63. مراحل یک پروژه یادگیری ماشین
• 64. داده‌ها در یادگیری ماشین: انواع و ویژگی‌ها
• 65. پیش‌پردازش داده‌ها: پاکسازی و فرمت‌بندی
• 66. مهندسی ویژگی (Feature Engineering)
• 67. نرمال‌سازی و استانداردسازی داده‌ها
• 68. کاهش ابعاد: PCA و کاربردها
• 69. معرفی Scikit-learn: کتابخانه اصلی ML در پایتون
• 70. رگرسیون خطی ساده
• 71. رگرسیون خطی چندگانه
• 72. ارزیابی مدل‌های رگرسیون: معیارها
• 73. رگرسیون لجستیک برای طبقه‌بندی
• 74. درک طبقه‌بندی و معیارها
• 75. درخت‌های تصمیم (Decision Trees)
• 76. جنگل تصادفی (Random Forest)
• 77. ماشین‌های بردار پشتیبان (SVM)
• 78. کا نزدیک‌ترین همسایه (K-Nearest Neighbors - K-NN)
• 79. K-Means برای خوشه‌بندی
• 80. ارزیابی مدل‌های خوشه‌بندی
• 81. خوشه‌بندی سلسله‌مراتبی
• 82. معیارهای ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، بازیابی، F1)
• 83. ماتریس درهم‌ریختگی (Confusion Matrix)
• 84. اعتبارسنجی متقابل (Cross-Validation)
• 85. تنظیم فراپارامترها (Hyperparameter Tuning)
• 86. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 87. انتخاب مدل و پایپ‌لاین‌های ML
• 88. معرفی مدل‌های آنسامبل (Ensemble Learning)
• 89. تقویت‌گرادیان (Gradient Boosting) و XGBoost
• 90. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 91. شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANN)
• 92. پرسپترون چندلایه (Multilayer Perceptron - MLP)
• 93. توابع فعال‌سازی (Activation Functions)
• 94. پس‌انتشار خطا (Backpropagation) و بهینه‌سازها
• 95. معرفی Keras و TensorFlow
• 96. ساخت اولین شبکه عصبی با Keras
• 97. شبکه‌های عصبی پیچشی (Convolutional Neural Networks - CNN)
• 98. کاربرد CNN در بینایی ماشین
• 99. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN) و کاربردها
• 100. ملاحظات اخلاقی و چالش‌ها در یادگیری ماشین