دوره توسعه مدل‌های پیش‌بینی با استفاده از Scikit-learn همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره توسعه مدل‌های پیش‌بینی با استفاده از Scikit-learn

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: ابزارها و زبان های برنامه نویسی**

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و Scikit-learn
• 2. نصب و راه‌اندازی Scikit-learn
• 3. مفاهیم پایه‌ای یادگیری ماشین: نظارت شده و بدون نظارت
• 4. انواع مسائل در یادگیری ماشین: رگرسیون و طبقه‌بندی
• 5. پیش‌پردازش داده‌ها: پاکسازی و مدیریت مقادیر گمشده
• 6. پیش‌پردازش داده‌ها: استانداردسازی و مقیاس‌بندی ویژگی‌ها
• 7. کدگذاری متغیرهای دسته‌ای: One-Hot Encoding
• 8. کدگذاری متغیرهای دسته‌ای: Label Encoding
• 9. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 10. ارزیابی مدل‌های رگرسیون: MAE، MSE، RMSE
• 11. ارزیابی مدل‌های رگرسیون: R-squared
• 12. معرفی مدل‌های رگرسیون خطی
• 13. رگرسیون خطی چندگانه
• 14. تنظیم پارامترهای مدل رگرسیون خطی
• 15. معرفی مدل‌های طبقه‌بندی
• 16. رگرسیون لجستیک
• 17. معیارهای ارزیابی مدل‌های طبقه‌بندی: دقت (Accuracy)
• 18. معیارهای ارزیابی مدل‌های طبقه‌بندی: ماتریس درهم‌ریختگی (Confusion Matrix)
• 19. معیارهای ارزیابی مدل‌های طبقه‌بندی: Precision، Recall، F1-Score
• 20. معرفی ماشین‌های بردار پشتیبان (SVM)
• 21. کاربرد SVM در مسائل طبقه‌بندی
• 22. تنظیم پارامترهای SVM
• 23. درخت‌های تصمیم (Decision Trees)
• 24. کاربرد درخت‌های تصمیم در طبقه‌بندی و رگرسیون
• 25. تنظیم پارامترهای درخت‌های تصمیم
• 26. جنگل‌های تصادفی (Random Forests)
• 27. کاربرد جنگل‌های تصادفی در طبقه‌بندی و رگرسیون
• 28. تنظیم پارامترهای جنگل‌های تصادفی
• 29. معرفی مدل‌های دسته‌بندی‌کننده بیز ساده (Naive Bayes)
• 30. کاربرد Naive Bayes در طبقه‌بندی متن
• 31. معرفی مدل‌های K-نزدیکترین همسایه (K-NN)
• 32. کاربرد K-NN در طبقه‌بندی
• 33. معیارهای ارزیابی مدل‌های خوشه‌بندی: Silhouette Score
• 34. معرفی الگوریتم K-Means برای خوشه‌بندی
• 35. کاربرد K-Means در تحلیل داده‌ها
• 36. تنظیم پارامترهای K-Means
• 37. معرفی الگوریتم DBSCAN برای خوشه‌بندی
• 38. کاربرد DBSCAN در شناسایی خوشه‌های با اشکال نامنظم
• 39. معرفی مدل‌های کاهش ابعاد: PCA (تحلیل مولفه‌های اصلی)
• 40. کاربرد PCA در پیش‌پردازش داده‌ها
• 41. معرفی مدل‌های کاهش ابعاد: LDA (تحلیل تفکیک‌کننده خطی)
• 42. کاربرد LDA در طبقه‌بندی
• 43. مفهوم انتخاب ویژگی (Feature Selection)
• 44. روش‌های مبتنی بر فیلتر برای انتخاب ویژگی
• 45. روش‌های مبتنی بر Wrapper برای انتخاب ویژگی
• 46. روش‌های مبتنی بر Embedded برای انتخاب ویژگی
• 47. مفهوم مهندسی ویژگی (Feature Engineering)
• 48. ایجاد ویژگی‌های جدید از ویژگی‌های موجود
• 49. ترکیب ویژگی‌ها
• 50. استفاده از دانش دامنه در مهندسی ویژگی
• 51. مفهوم انطباق مدل (Model Selection)
• 52. استراتژی‌های اعتبارسنجی متقابل (Cross-Validation)
• 53. K-Fold Cross-Validation
• 54. Stratified K-Fold Cross-Validation
• 55. Grid Search برای تنظیم ابرپارامترها
• 56. Random Search برای تنظیم ابرپارامترها
• 57. مفهوم بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 58. تکنیک‌های جلوگیری از بیش‌برازش: Regularization
• 59. L1 و L2 Regularization
• 60. Early Stopping در مدل‌های یادگیری عمیق (اشاره مختصر)
• 61. مفهوم Ensemble Learning
• 62. Bagging و کاربرد آن (مانند Random Forests)
• 63. Boosting و الگوریتم AdaBoost
• 64. Boosting و الگوریتم Gradient Boosting Machines (GBM)
• 65. کاربرد XGBoost در مسائل مختلف
• 66. کاربرد LightGBM
• 67. معرفی شبکه‌های عصبی مصنوعی (ANN)
• 68. ساختار یک شبکه عصبی ساده
• 69. تابع فعال‌سازی در شبکه‌های عصبی
• 70. پس‌انتشار خطا (Backpropagation)
• 71. مقدمه‌ای بر مفاهیم یادگیری عمیق
• 72. معرفی شبکه‌های عصبی کانولوشنال (CNN) برای تصاویر
• 73. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 74. کاربرد Scikit-learn در NLP: Vectorization
• 75. TF-IDF Vectorizer
• 76. استفاده از مدل‌های آماری در NLP
• 77. کاربرد مدل‌های طبقه‌بندی در تحلیل احساسات
• 78. مفهوم یادگیری تقویتی (Reinforcement Learning) - مقدمه
• 79. کاربرد Scikit-learn در پروژه‌های عملی
• 80. مثال کاربردی: پیش‌بینی قیمت مسکن
• 81. مثال کاربردی: تشخیص اسپم در ایمیل‌ها
• 82. مثال کاربردی: خوشه‌بندی مشتریان
• 83. مثال کاربردی: تحلیل داده‌های فروش
• 84. مثال کاربردی: طبقه‌بندی تصاویر (با اشاره به کتابخانه‌های دیگر)
• 85. ملاحظات اخلاقی در علم داده و یادگیری ماشین
• 86. حفظ حریم خصوصی داده‌ها
• 87. سوگیری در مدل‌های یادگیری ماشین
• 88. تفسیرپذیری مدل‌ها (Model Interpretability)
• 89. معرفی کتابخانه‌های مکمل برای یادگیری عمیق (TensorFlow, PyTorch)
• 90. کاربرد Scikit-learn در کنار کتابخانه‌های دیگر
• 91. توسعه پایدار مدل‌ها
• 92. مستندسازی کدها و مدل‌ها
• 93. اصول کدنویسی تمیز در پروژه‌های علمی داده
• 94. مرور کلی و جمع‌بندی مباحث
• 95. مباحث پیشرفته‌تر در یادگیری ماشین