دوره دستیابی به درک عمیق مدل‌های ML از طریق اتوماسیون با پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دستیابی به درک عمیق مدل‌های ML از طریق اتوماسیون با پایتون

موضوع کلی: اتوماسیون با پایتون

موضوع میانی: اتوماسیون در حوزه تفسیر مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر اتوماسیون یادگیری ماشین
• 2. فصل ۲: نصب و پیکربندی محیط پایتون
• 3. فصل ۳: اصول اولیه پایتون برای یادگیری ماشین
• 4. فصل ۴: کتابخانه‌های کلیدی پایتون: NumPy و Pandas
• 5. فصل ۵: پیش‌پردازش داده‌ها: پاکسازی و استانداردسازی
• 6. فصل ۶: پیش‌پردازش داده‌ها: مهندسی ویژگی
• 7. فصل ۷: انتخاب ویژگی: روش‌های اساسی
• 8. فصل ۸: انتخاب ویژگی: روش‌های مبتنی بر مدل
• 9. فصل ۹: الگوریتم‌های یادگیری ماشین: رگرسیون خطی
• 10. فصل ۱۰: اتوماسیون رگرسیون خطی در پایتون
• 11. فصل ۱۱: الگوریتم‌های یادگیری ماشین: رگرسیون لجستیک
• 12. فصل ۱۲: اتوماسیون رگرسیون لجستیک در پایتون
• 13. فصل ۱۳: الگوریتم‌های یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
• 14. فصل ۱۴: اتوماسیون SVM در پایتون
• 15. فصل ۱۵: الگوریتم‌های یادگیری ماشین: درختان تصمیم
• 16. فصل ۱۶: اتوماسیون درختان تصمیم در پایتون
• 17. فصل ۱۷: الگوریتم‌های یادگیری ماشین: جنگل‌های تصادفی
• 18. فصل ۱۸: اتوماسیون جنگل‌های تصادفی در پایتون
• 19. فصل ۱۹: الگوریتم‌های یادگیری ماشین: تقویت گرادیان (Gradient Boosting)
• 20. فصل ۲۰: اتوماسیون تقویت گرادیان در پایتون
• 21. فصل ۲۱: الگوریتم‌های یادگیری ماشین: شبکه‌های عصبی مقدماتی
• 22. فصل ۲۲: اتوماسیون شبکه‌های عصبی ساده در پایتون
• 23. فصل ۲۳: تنظیم ابرپارامترها: جستجوی گرید
• 24. فصل ۲۴: اتوماسیون جستجوی گرید در پایتون
• 25. فصل ۲۵: تنظیم ابرپارامترها: جستجوی تصادفی
• 26. فصل ۲۶: اتوماسیون جستجوی تصادفی در پایتون
• 27. فصل ۲۷: تنظیم ابرپارامترها: بهینه‌سازی بیزین
• 28. فصل ۲۸: اتوماسیون بهینه‌سازی بیزین در پایتون
• 29. فصل ۲۹: اعتبارسنجی متقابل: تکنیک‌های اساسی
• 30. فصل ۳۰: اتوماسیون اعتبارسنجی متقابل ساده
• 31. فصل ۳۱: اعتبارسنجی متقابل: اعتبارسنجی K-Fold
• 32. فصل ۳۲: اتوماسیون اعتبارسنجی K-Fold
• 33. فصل ۳۳: اعتبارسنجی متقابل: اعتبارسنجی Leave-One-Out
• 34. فصل ۳۴: اتوماسیون اعتبارسنجی Leave-One-Out
• 35. فصل ۳۵: معیارهای ارزیابی مدل: دقت
• 36. فصل ۳۶: اتوماسیون محاسبه دقت
• 37. فصل ۳۷: معیارهای ارزیابی مدل: صحت و بازیابی
• 38. فصل ۳۸: اتوماسیون محاسبه صحت و بازیابی
• 39. فصل ۳۹: معیارهای ارزیابی مدل: امتیاز F1
• 40. فصل ۴۰: اتوماسیون محاسبه امتیاز F1
• 41. فصل ۴۱: معیارهای ارزیابی مدل: منحنی ROC و AUC
• 42. فصل ۴۲: اتوماسیون محاسبه منحنی ROC و AUC
• 43. فصل ۴۳: معیارهای ارزیابی مدل: میانگین مربعات خطا (MSE)
• 44. فصل ۴۴: اتوماسیون محاسبه MSE
• 45. فصل ۴۵: معیارهای ارزیابی مدل: ریشه میانگین مربعات خطا (RMSE)
• 46. فصل ۴۶: اتوماسیون محاسبه RMSE
• 47. فصل ۴۷: معیارهای ارزیابی مدل: خطای میانگین مطلق (MAE)
• 48. فصل ۴۸: اتوماسیون محاسبه MAE
• 49. فصل ۴۹: معیارهای ارزیابی مدل: R-squared
• 50. فصل ۵۰: اتوماسیون محاسبه R-squared
• 51. فصل ۵۱: اتوماسیون پایپ‌لاین‌های یادگیری ماشین
• 52. فصل ۵۲: ساخت پایپ‌لاین با Scikit-learn
• 53. فصل ۵۳: ذخیره و بارگذاری مدل‌های یادگیری ماشین
• 54. فصل ۵۴: اتوماسیون ذخیره و بارگذاری مدل
• 55. فصل ۵۵: مقدمه‌ای بر یادگیری عمیق
• 56. فصل ۵۶: چارچوب‌های یادگیری عمیق: TensorFlow
• 57. فصل ۵۷: اتوماسیون مدل‌های ساده با TensorFlow
• 58. فصل ۵۸: چارچوب‌های یادگیری عمیق: PyTorch
• 59. فصل ۵۹: اتوماسیون مدل‌های ساده با PyTorch
• 60. فصل ۶۰: شبکه‌های عصبی کانولوشنال (CNN)
• 61. فصل ۶۱: اتوماسیون CNN برای پردازش تصویر
• 62. فصل ۶۲: شبکه‌های عصبی بازگشتی (RNN)
• 63. فصل ۶۳: اتوماسیون RNN برای داده‌های سری زمانی
• 64. فصل ۶۴: پردازش زبان طبیعی (NLP)
• 65. فصل ۶۵: اتوماسیون وظایف NLP مقدماتی
• 66. فصل ۶۶: مدل‌های زبانی بزرگ (LLMs)
• 67. فصل ۶۷: مقدمه‌ای بر اتوماسیون LLM
• 68. فصل ۶۸: استفاده از APIهای LLM
• 69. فصل ۶۹: اتوماسیون تولید متن با LLM
• 70. فصل ۷۰: اتوماسیون خلاصه‌سازی متن با LLM
• 71. فصل ۷۱: اتوماسیون ترجمه با LLM
• 72. فصل ۷۲: اتوماسیون پاسخ به سوال با LLM
• 73. فصل ۷۳: الگوریتم‌های خوشه‌بندی: K-Means
• 74. فصل ۷۴: اتوماسیون K-Means
• 75. فصل ۷۵: الگوریتم‌های خوشه‌بندی: DBSCAN
• 76. فصل ۷۶: اتوماسیون DBSCAN
• 77. فصل ۷۷: الگوریتم‌های کاهش ابعاد: PCA
• 78. فصل ۷۸: اتوماسیون PCA
• 79. فصل ۷۹: الگوریتم‌های کاهش ابعاد: t-SNE
• 80. فصل ۸۰: اتوماسیون t-SNE
• 81. فصل ۸۱: سیستم‌های توصیه‌گر: مبتنی بر محتوا
• 82. فصل ۸۲: اتوماسیون توصیه‌گرهای مبتنی بر محتوا
• 83. فصل ۸۳: سیستم‌های توصیه‌گر: فیلترینگ مشارکتی
• 84. فصل ۸۴: اتوماسیون توصیه‌گرهای فیلترینگ مشارکتی
• 85. فصل ۸۵: اتوماسیون زمان‌بندی وظایف ML
• 86. فصل ۸۶: ابزارهای ارکستراسیون ML: Apache Airflow
• 87. فصل ۸۷: اتوماسیون با Airflow
• 88. فصل ۸۸: ابزارهای ارکستراسیون ML: Kubeflow
• 89. فصل ۸۹: اتوماسیون با Kubeflow (مقدماتی)
• 90. فصل ۹۰: استقرار مدل‌های ML
• 91. فصل ۹۱: اتوماسیون استقرار مدل با Flask
• 92. فصل ۹۲: اتوماسیون استقرار مدل با FastAPI
• 93. فصل ۹۳: نظارت بر مدل‌های ML
• 94. فصل ۹۴: اتوماسیون تشخیص افت مدل
• 95. فصل ۹۵: اتوماسیون بازآموزی مدل
• 96. فصل ۹۶: اصول DevOps برای ML (MLOps)
• 97. فصل ۹۷: اتوماسیون در چرخه عمر MLOps
• 98. فصل ۹۸: اتوماسیون تست و QA در ML
• 99. فصل ۹۹: اتوماسیون تولید گزارش و داشبورد
• 100. فصل ۱۰۰: آینده اتوماسیون در یادگیری ماشین