دوره راهنمای جامع Google Colaboratory برای متخصصان داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع Google Colaboratory برای متخصصان داده

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. مقدمات و آشنایی با Google Colaboratory
• 2. نصب و راه‌اندازی محیط Colab
• 3. کار با سلول‌های کد و متن در Colab
• 4. اجرای کد پایتون در Colab
• 5. مدیریت کتابخانه‌ها و وابستگی‌ها
• 6. کار با فایل‌ها و دایرکتوری‌ها در Colab
• 7. ذخیره و بارگذاری داده‌ها در Colab
• 8. اتصال به Google Drive
• 9. تنظیمات پیشرفته Colab
• 10. استفاده از GPU و TPU در Colab
• 11. مقدمه‌ای بر علم داده
• 12. مفهوم و چرخه حیات علم داده
• 13. ابزارها و کتابخانه‌های کلیدی علم داده در پایتون
• 14. آشنایی با NumPy برای محاسبات عددی
• 15. آشنایی با Pandas برای تحلیل داده
• 16. ساختار داده‌های Pandas: Series و DataFrame
• 17. عملیات اولیه با DataFrame
• 18. فیلتر کردن و انتخاب داده‌ها
• 19. گروه‌بندی و تجمیع داده‌ها
• 20. ادغام و پیوستن DataFrame ها
• 21. پاکسازی داده‌های پرت و گمشده
• 22. نمودارها و بصری‌سازی داده‌ها با Matplotlib
• 23. نمودارهای پایه Matplotlib
• 24. سفارشی‌سازی نمودارها
• 25. نمودارهای پیشرفته با Seaborn
• 26. مقدمه‌ای بر یادگیری ماشین
• 27. مفاهیم اساسی یادگیری ماشین
• 28. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 29. مراحل ساخت مدل یادگیری ماشین
• 30. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 31. ارزیابی مدل‌های یادگیری ماشین
• 32. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 33. معیارهای ارزیابی مدل‌های رگرسیون
• 34. مقدمه‌ای بر رگرسیون خطی
• 35. پیاده‌سازی رگرسیون خطی در Scikit-learn
• 36. مقدمه‌ای بر رگرسیون لجستیک
• 37. پیاده‌سازی رگرسیون لجستیک در Scikit-learn
• 38. مقدمه‌ای بر درختان تصمیم
• 39. پیاده‌سازی درختان تصمیم در Scikit-learn
• 40. مقدمه‌ای بر جنگل‌های تصادفی
• 41. پیاده‌سازی جنگل‌های تصادفی در Scikit-learn
• 42. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 43. پیاده‌سازی SVM در Scikit-learn
• 44. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 45. الگوریتم K-Means
• 46. پیاده‌سازی K-Means در Scikit-learn
• 47. مقدمه‌ای بر کاهش ابعاد
• 48. تحلیل مؤلفه‌های اصلی (PCA)
• 49. پیاده‌سازی PCA در Scikit-learn
• 50. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 51. کار با متن در پایتون
• 52. پاکسازی و پیش‌پردازش متن
• 53. کیسه‌کلمات (Bag-of-Words)
• 54. TF-IDF
• 55. مقدمه‌ای بر مدل‌های زبانی
• 56. کار با کتابخانه NLTK
• 57. کار با کتابخانه spaCy
• 58. مقدمه‌ای بر شبکه‌های عصبی
• 59. مفاهیم پایه شبکه‌های عصبی
• 60. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 61. پیاده‌سازی MLP با TensorFlow/Keras
• 62. مقدمه‌ای بر یادگیری عمیق
• 63. کار با داده‌های تصویری
• 64. شبکه‌های عصبی کانولوشنی (CNN)
• 65. پیاده‌سازی CNN برای طبقه‌بندی تصویر
• 66. مقدمه‌ای بر یادگیری تقویتی
• 67. کار با داده‌های سری زمانی
• 68. تحلیل سری زمانی با Pandas
• 69. مدل‌سازی سری زمانی
• 70. پیاده‌سازی مدل‌های سری زمانی در Colab
• 71. مقدمه‌ای بر Big Data
• 72. مفاهیم Big Data
• 73. ابزارهای Big Data (اشاره کوتاه)
• 74. کار با داده‌های حجیم در Colab (با محدودیت)
• 75. بهینه‌سازی کد برای کارایی
• 76. اشکال‌زدایی کد در Colab
• 77. مدیریت نسخه با Git (اشاره کوتاه)
• 78. انتشار مدل‌های یادگیری ماشین
• 79. مقدمه‌ای بر مهندسی ویژگی
• 80. تکنیک‌های مهندسی ویژگی
• 81. اعتبارسنجی متقابل (Cross-validation)
• 82. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 83. روش‌های Grid Search و Random Search
• 84. مقدمه‌ای بر تحلیل شبکه‌های اجتماعی (در چارچوب قوانین)
• 85. مقدمه‌ای بر سیستم‌های توصیه‌گر (در چارچوب قوانین)
• 86. مقدمه‌ای بر داده‌کاوی (در چارچوب قوانین)
• 87. اخلاق در علم داده
• 88. حریم خصوصی داده‌ها
• 89. امنیت داده‌ها
• 90. کاربرد علم داده در حوزه‌های مجاز (صنعتی، اقتصادی، بهداشتی)
• 91. مقدمه‌ای بر هوش مصنوعی (در چارچوب تعریف شده)
• 92. مقدمه‌ای بر یادگیری ماشین توزیع شده (اشاره کوتاه)
• 93. مقدمه‌ای بر یادگیری قابل توضیح (Explainable AI)
• 94. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 95. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 96. مقدمه‌ای بر یادگیری تقویتی عمیق
• 97. مقدمه‌ای بر پردازش تصویر پیشرفته
• 98. مقدمه‌ای بر پردازش صدا
• 99. مقدمه‌ای بر رباتیک (مفاهیم پایه)
• 100. مقدمه‌ای بر سیستم‌های خبره (اشاره کوتاه)