دوره Google Colaboratory: همکاری و اشتراک‌گذاری دانش در علوم داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Colaboratory: همکاری و اشتراک‌گذاری دانش در علوم داده

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Google Colaboratory و محیط آن
• 2. آشنایی با رابط کاربری Colab
• 3. ایجاد و مدیریت نوت‌بوک‌ها در Colab
• 4. اجرای کد پایتون در سلول‌ها
• 5. نوشتن متن و توضیحات با Markdown
• 6. استفاده از فرمول‌های ریاضی با LaTeX
• 7. مدیریت وابستگی‌ها و نصب کتابخانه‌ها
• 8. بارگذاری داده‌ها از سیستم محلی
• 9. اتصال به Google Drive برای ذخیره‌سازی
• 10. اشتراک‌گذاری نوت‌بوک‌ها با دیگران
• 11. تنظیم سطوح دسترسی برای اشتراک‌گذاری
• 12. همکاری همزمان بر روی نوت‌بوک‌ها
• 13. مدیریت نسخه‌های مختلف نوت‌بوک
• 14. مرور تاریخچه تغییرات نوت‌بوک
• 15. استفاده از Git برای مدیریت نسخه (مقدماتی)
• 16. اتصال به محیط‌های زمان‌اجرا (Runtime)
• 17. تغییر نوع محیط زمان‌اجرا (CPU, GPU, TPU)
• 18. تنظیمات پیشرفته محیط زمان‌اجرا
• 19. عیب‌یابی مشکلات محیط زمان‌اجرا
• 20. استفاده از متغیرهای محیطی
• 21. اجرای دستورات شل در Colab
• 22. اتصال به سرویس‌های ابری دیگر (مثال: S3)
• 23. مقدمه‌ای بر کتابخانه‌های علوم داده در پایتون
• 24. آشنایی با NumPy برای محاسبات عددی
• 25. کار با آرایه‌ها و عملیات برداری در NumPy
• 26. شاخص‌گذاری و برش (Indexing and Slicing) در NumPy
• 27. توابع آماری پایه در NumPy
• 28. مقدمه‌ای بر Pandas برای تحلیل داده
• 29. ساخت DataFrame و Series در Pandas
• 30. بارگذاری و ذخیره‌سازی داده‌ها با Pandas (CSV, Excel)
• 31. پاکسازی داده‌ها (مقادیر گمشده، داده‌های تکراری)
• 32. فیلتر کردن و انتخاب داده‌ها در Pandas
• 33. گروه‌بندی و تجمیع داده‌ها (Groupby)
• 34. ادغام و پیوستن DataFrameها (Merge, Join)
• 35. عملیات رشته‌ای در Pandas
• 36. کار با داده‌های زمانی در Pandas
• 37. مقدمه‌ای بر Matplotlib برای بصری‌سازی
• 38. رسم نمودارهای خطی ساده
• 39. رسم نمودارهای پراکندگی (Scatter Plots)
• 40. رسم نمودارهای میله‌ای (Bar Charts)
• 41. رسم هیستوگرام (Histograms)
• 42. تنظیمات پیشرفته نمودارها (عناوین، برچسب‌ها، رنگ‌ها)
• 43. استفاده از Seaborn برای بصری‌سازی پیشرفته
• 44. رسم نمودارهای جعبه‌ای (Box Plots)
• 45. رسم نمودارهای ویولن (Violin Plots)
• 46. رسم نقشه‌های حرارتی (Heatmaps)
• 47. تنظیمات طرح‌بندی نمودارها (Subplots)
• 48. مقدمه‌ای بر Scikit-learn برای یادگیری ماشین
• 49. پیش‌پردازش داده‌ها برای مدل‌سازی
• 50. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
• 51. رگرسیون خطی (Linear Regression)
• 52. رگرسیون لجستیک (Logistic Regression)
• 53. ماشین بردار پشتیبان (Support Vector Machines - SVM)
• 54. درختان تصمیم (Decision Trees)
• 55. جنگل‌های تصادفی (Random Forests)
• 56. خوشه‌بندی K-Means
• 57. ارزیابی مدل‌های یادگیری ماشین (دقت، صحت، بازیابی)
• 58. کالیبراسیون مدل‌ها
• 59. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 60. اعتبارسنجی متقابل (Cross-Validation)
• 61. مقدمه‌ای بر TensorFlow و Keras
• 62. ساخت لایه‌های شبکه‌های عصبی
• 63. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 64. شبکه‌های عصبی کانولوشنال (CNN) برای تصاویر
• 65. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 66. آموزش مدل‌های یادگیری عمیق
• 67. ذخیره و بارگذاری مدل‌های آموزش‌دیده
• 68. استفاده از GPU برای تسریع آموزش
• 69. مقدمه‌ای بر PyTorch
• 70. ساخت تانسورها و عملیات پایه
• 71. تعریف و آموزش شبکه‌های عصبی در PyTorch
• 72. بهینه‌سازی و توابع زیان در PyTorch
• 73. استفاده از DataLoader برای بارگذاری داده
• 74. مقدمه‌ای بر ابزارهای تحلیل داده پیشرفته
• 75. کار با داده‌های حجیم (Big Data) با Dask
• 76. مقدمه‌ای بر Spark در محیط ابری
• 77. کار با APIهای مختلف در Colab
• 78. اتصال به پایگاه‌های داده (SQL)
• 79. نوشتن توابع و کلاس‌های سفارشی پایتون
• 80. مدیریت پروژه با ساختارهای پوشه
• 81. تست واحد (Unit Testing) کدها
• 82. مستندسازی کد با Docstrings
• 83. بهینه‌سازی عملکرد کد پایتون
• 84. استفاده از پروفایلرها (Profilers)
• 85. ملاحظات امنیتی در Colab
• 86. حفظ حریم خصوصی داده‌ها
• 87. مدیریت هزینه‌ها در استفاده از منابع ابری
• 88. اصول برنامه‌نویسی تمیز (Clean Code)
• 89. کار با خطاهای رایج در Colab
• 90. نکات و ترفندهای پیشرفته Colab
• 91. ساخت ابزارهای تعاملی با Gradio
• 92. مقدمه‌ای بر استقرار مدل‌ها (Deployment Basics)
• 93. منابع آموزشی تکمیلی در علوم داده
• 94. پروژه‌های عملی برای تمرین
• 95. بررسی نمونه‌های کاربردی در صنایع مختلف
• 96. آشنایی با انجمن‌های تخصصی و پشتیبانی
• 97. آخرین تحولات در حوزه ابزارهای علم داده