دوره یادگیری ماشین: ابزاری قدرتمند برای تحلیل داده‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین: ابزاری قدرتمند برای تحلیل داده‌ها

موضوع کلی: مبانی برنامه نویسی کامپیوتر

موضوع میانی: یادگیری ماشین (مبانی)

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر یادگیری ماشین
• 2. فصل ۲: انواع یادگیری ماشین
• 3. فصل ۳: پیش‌پردازش داده‌ها
• 4. فصل ۴: انتخاب ویژگی
• 5. فصل ۵: مدل‌های یادگیری نظارت شده
• 6. فصل ۶: رگرسیون خطی
• 7. فصل ۷: رگرسیون لجستیک
• 8. فصل ۸: ماشین‌های بردار پشتیبان (SVM)
• 9. فصل ۹: درختان تصمیم
• 10. فصل ۱۰: جنگل‌های تصادفی
• 11. فصل ۱۱: تقویت گرادیان
• 12. فصل ۱۲: مدل‌های یادگیری بدون نظارت
• 13. فصل ۱۳: خوشه‌بندی
• 14. فصل ۱۴: K-Means
• 15. فصل ۱۵: خوشه‌بندی سلسله مراتبی
• 16. فصل ۱۶: کاهش ابعاد
• 17. فصل ۱۷: تحلیل مؤلفه‌های اصلی (PCA)
• 18. فصل ۱۸: t-SNE
• 19. فصل ۱۹: ارزیابی مدل
• 20. فصل ۲۰: معیارهای ارزیابی برای رگرسیون
• 21. فصل ۲۱: معیارهای ارزیابی برای طبقه‌بندی
• 22. فصل ۲۲: اعتبارسنجی متقابل
• 23. فصل ۲۳: بیش‌برازش و کم‌برازش
• 24. فصل ۲۴: تنظیم هایپرپارامترها
• 25. فصل ۲۵: شبکه‌های عصبی مصنوعی
• 26. فصل ۲۶: پرسپترون
• 27. فصل ۲۷: شبکه‌های عصبی پیشخور
• 28. فصل ۲۸: تابع فعال‌سازی
• 29. فصل ۲۹: پس‌انتشار خطا
• 30. فصل ۳۰: بهینه‌سازی شبکه‌های عصبی
• 31. فصل ۳۱: شبکه‌های عصبی کانولوشنال (CNN)
• 32. فصل ۳۲: لایه‌های کانولوشن
• 33. فصل ۳۳: لایه‌های پولینگ
• 34. فصل ۳۴: CNN برای طبقه‌بندی تصاویر
• 35. فصل ۳۵: شبکه‌های عصبی بازگشتی (RNN)
• 36. فصل ۳۶: سلول‌های حافظه طولانی کوتاه (LSTM)
• 37. فصل ۳۷: شبکه‌های حافظه کوتاه (GRU)
• 38. فصل ۳۸: RNN برای پردازش زبان طبیعی
• 39. فصل ۳۹: یادگیری تقویتی
• 40. فصل ۴۰: عامل و محیط
• 41. فصل ۴۱: پاداش و جریمه
• 42. فصل ۴۲: سیاست و تابع ارزش
• 43. فصل ۴۳: الگوریتم‌های یادگیری تقویتی
• 44. فصل ۴۴: Q-Learning
• 45. فصل ۴۵: SARSA
• 46. فصل ۴۶: یادگیری عمیق
• 47. فصل ۴۷: کاربردهای یادگیری ماشین
• 48. فصل ۴۸: پردازش زبان طبیعی (NLP)
• 49. فصل ۴۹: تحلیل احساسات
• 50. فصل ۵۰: ترجمه ماشینی
• 51. فصل ۵۱: تشخیص گفتار
• 52. فصل ۵۲: بینایی کامپیوتر
• 53. فصل ۵۳: تشخیص اشیاء
• 54. فصل ۵۴: تقسیم‌بندی تصاویر
• 55. فصل ۵۵: سیستم‌های توصیه‌گر
• 56. فصل ۵۶: فیلترینگ مشارکتی
• 57. فصل ۵۷: فیلترینگ مبتنی بر محتوا
• 58. فصل ۵۸: ترکیب روش‌ها
• 59. فصل ۵۹: یادگیری ماشین در سلامت
• 60. فصل ۶۰: تشخیص بیماری
• 61. فصل ۶۱: کشف دارو
• 62. فصل ۶۲: پزشکی شخصی‌سازی شده
• 63. فصل ۶۳: یادگیری ماشین در امور مالی
• 64. فصل ۶۴: پیش‌بینی بازار سهام
• 65. فصل ۶۵: تشخیص تقلب
• 66. فصل ۶۶: مدیریت ریسک
• 67. فصل ۶۷: یادگیری ماشین در بازاریابی
• 68. فصل ۶۸: بخش‌بندی مشتریان
• 69. فصل ۶۹: هدف‌گیری تبلیغات
• 70. فصل ۷۰: تحلیل رفتار مشتری
• 71. فصل ۷۱: اخلاق در یادگیری ماشین
• 72. فصل ۷۲: سوگیری در داده‌ها
• 73. فصل ۷۳: شفافیت و تفسیرپذیری
• 74. فصل ۷۴: حفظ حریم خصوصی
• 75. فصل ۷۵: مسئولیت‌پذیری
• 76. فصل ۷۶: پیاده‌سازی مدل‌های یادگیری ماشین
• 77. فصل ۷۷: انتخاب ابزارها و کتابخانه‌ها
• 78. فصل ۷۸: پایتون و کتابخانه‌های مرتبط
• 79. فصل ۷۹: Scikit-learn
• 80. فصل ۸۰: TensorFlow
• 81. فصل ۸۱: PyTorch
• 82. فصل ۸۲: استقرار مدل
• 83. فصل ۸۳: مقیاس‌پذیری و عملکرد
• 84. فصل ۸۴: نظارت بر مدل
• 85. فصل ۸۵: به‌روزرسانی مدل
• 86. فصل ۸۶: مقدمه‌ای بر داده‌های بزرگ
• 87. فصل ۸۷: ابزارهای پردازش داده‌های بزرگ
• 88. فصل ۸۸: Hadoop
• 89. فصل ۸۹: Spark
• 90. فصل ۹۰: یادگیری ماشین با داده‌های بزرگ
• 91. فصل ۹۱: یادگیری انتقال
• 92. فصل ۹۲: انتقال یادگیری در طبقه‌بندی تصاویر
• 93. فصل ۹۳: انتقال یادگیری در NLP
• 94. فصل ۹۴: مدل‌های مولد
• 95. فصل ۹۵: شبکه‌های مولد تخاصمی (GAN)
• 96. فصل ۹۶: مدل‌های زبانی بزرگ (LLM)
• 97. فصل ۹۷: آینده یادگیری ماشین
• 98. فصل ۹۸: روندها و نوآوری‌ها
• 99. فصل ۹۹: چالش‌های پیش رو
• 100. فصل ۱۰۰: جمع‌بندی و مسیرهای آینده