دوره Google Colaboratory: محیطی تعاملی برای یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Colaboratory: محیطی تعاملی برای یادگیری ماشین

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر گوگل کولب و محیط آن
• 2. نصب و راه‌اندازی اولیه گوگل کولب
• 3. آشنایی با رابط کاربری گوگل کولب
• 4. اجرای کد پایتون در گوگل کولب
• 5. مدیریت سلول‌های کد و متن
• 6. استفاده از Markdown برای مستندسازی
• 7. تنظیمات و شخصی‌سازی محیط کولب
• 8. نحوه ذخیره و بارگذاری نوت‌بوک‌ها
• 9. اتصال به Google Drive
• 10. مدیریت فایل‌ها در Google Drive
• 11. نصب کتابخانه‌های پایتون در کولب
• 12. استفاده از pip برای نصب پکیج‌ها
• 13. مدیریت وابستگی‌های پروژه
• 14. آشنایی با Jupyter Notebook
• 15. تفاوت‌های کلیدی کولب و Jupyter
• 16. مقدمه‌ای بر یادگیری ماشین
• 17. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 18. مفاهیم اولیه شبکه‌های عصبی
• 19. معرفی تنسورفلو (TensorFlow)
• 20. نصب تنسورفلو در گوگل کولب
• 21. آشنایی با Keras
• 22. ساخت اولین مدل با Keras
• 23. آموزش مدل بر روی داده‌های نمونه
• 24. ارزیابی عملکرد مدل
• 25. تنظیم هایپرپارامترها
• 26. روش‌های پیش‌پردازش داده‌ها
• 27. پاکسازی داده‌های گمشده
• 28. نرمال‌سازی و استانداردسازی داده‌ها
• 29. مهندسی ویژگی (Feature Engineering)
• 30. انتخاب ویژگی‌های مؤثر
• 31. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 32. کار با متن در پایتون
• 33. کتابخانه NLTK
• 34. کتابخانه spaCy
• 35. توکن‌سازی و Lemmatization
• 36. حذف کلمات توقف (Stop Words)
• 37. ساخت مدل‌های طبقه‌بندی متن
• 38. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 39. کتابخانه OpenCV
• 40. کار با تصاویر در پایتون
• 41. بارگذاری و نمایش تصاویر
• 42. تغییر اندازه و برش تصاویر
• 43. اعمال فیلترهای تصویری
• 44. تشخیص لبه‌ها در تصاویر
• 45. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 46. ساخت یک CNN ساده
• 47. آموزش CNN برای طبقه‌بندی تصاویر
• 48. استفاده از داده‌های تصویری استاندارد
• 49. تنظیمات لایه‌های CNN
• 50. استفاده از Max Pooling
• 51. لایه Dropout برای جلوگیری از Overfitting
• 52. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 53. کاربرد RNN در پردازش توالی‌ها
• 54. ساخت یک RNN ساده
• 55. آموزش RNN برای پیش‌بینی سری‌های زمانی
• 56. استفاده از LSTM و GRU
• 57. تفاوت‌های LSTM و GRU
• 58. کاربرد RNN در مدل‌سازی زبان
• 59. تولید متن با RNN
• 60. مقدمه‌ای بر الگوریتم‌های یادگیری بدون نظارت
• 61. خوشه‌بندی (Clustering)
• 62. الگوریتم K-Means
• 63. ارزیابی نتایج خوشه‌بندی
• 64. کاهش ابعاد (Dimensionality Reduction)
• 65. تحلیل مؤلفه‌های اصلی (PCA)
• 66. کاربرد PCA در کاهش ابعاد داده‌ها
• 67. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 68. مفاهیم اولیه یادگیری تقویتی
• 69. عامل، محیط، پاداش
• 70. الگوریتم Q-Learning
• 71. پیاده‌سازی Q-Learning در کولب
• 72. حل مسائل ساده با یادگیری تقویتی
• 73. مقدمه‌ای بر مدل‌های ترنسفورمر (Transformer)
• 74. معماری ترنسفورمر
• 75. مکانیزم توجه (Attention Mechanism)
• 76. کاربرد ترنسفورمر در NLP
• 77. استفاده از مدل‌های از پیش آموزش‌دیده
• 78. تنظیم دقیق (Fine-tuning) مدل‌های ترنسفورمر
• 79. مدل‌های زبانی بزرگ (LLMs)
• 80. مقدمه‌ای بر Hugging Face Transformers
• 81. نصب کتابخانه Hugging Face
• 82. استفاده از مدل‌های BERT و GPT
• 83. کاربرد Hugging Face در وظایف NLP
• 84. استفاده از GPU در گوگل کولب
• 85. تنظیمات اولیه GPU
• 86. مدیریت منابع GPU
• 87. بهینه‌سازی کد برای GPU
• 88. استفاده از TPU در گوگل کولب
• 89. تنظیمات اولیه TPU
• 90. مزایای استفاده از TPU
• 91. کاربرد TPU در آموزش مدل‌های بزرگ
• 92. مقدمه‌ای بر استقرار مدل‌ها
• 93. ذخیره مدل‌های آموزش‌دیده
• 94. بارگذاری مدل‌های ذخیره‌شده
• 95. مقدمه‌ای بر API و سرویس‌های ابری
• 96. ساخت یک API ساده برای مدل
• 97. استفاده از Flask برای ساخت API
• 98. مقدمه‌ای بر مفاهیم امنیت در یادگیری ماشین
• 99. حفظ حریم خصوصی داده‌ها
• 100. ملاحظات اخلاقی در هوش مصنوعی