دوره تمرین‌های عملی برای تسلط بر Google Colaboratory همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تمرین‌های عملی برای تسلط بر Google Colaboratory

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 سلول‌های کد و متن در Colab
• 5. استفاده از محیط خط فرمان در Colab
• 6. نصب و مدیریت کتابخانه‌های پایتون در Colab
• 7. اتصال به Google Drive برای ذخیره‌سازی
• 8. اشتراک‌گذاری نوت‌بوک‌ها با دیگران
• 9. مدیریت نسخه‌ها و تاریخچه تغییرات
• 10. استفاده از Git برای کنترل نسخه در Colab
• 11. مرورگر فایل در Colab
• 12. اتصال به ماشین‌های مجازی خارجی
• 13. تنظیمات پیشرفته محیط Colab
• 14. مقدمه‌ای بر زبان برنامه‌نویسی پایتون
• 15. متغیرها و انواع داده در پایتون
• 16. عملگرهای ریاضی و منطقی در پایتون
• 17. ساختارهای کنترلی: دستورات شرطی
• 18. ساختارهای کنترلی: حلقه‌های تکرار
• 19. توابع در پایتون: تعریف و فراخوانی
• 20. لیست‌ها و تاپل‌ها در پایتون
• 21. دیکشنری‌ها و مجموعه‌ها در پایتون
• 22. کار با رشته‌ها در پایتون
• 23. مدیریت خطاها و استثنائات در پایتون
• 24. مقدمه‌ای بر برنامه‌نویسی شیءگرا
• 25. کلاس‌ها و اشیاء در پایتون
• 26. وراثت و چندریختی در پایتون
• 27. ماژول‌ها و بسته‌ها در پایتون
• 28. کار با فایل‌ها و دایرکتوری‌ها در پایتون
• 29. مقدمه‌ای بر کتابخانه‌های علمی پایتون
• 30. نصب و استفاده از NumPy
• 31. عملیات بر روی آرایه‌های NumPy
• 32. مقدمه‌ای بر کتابخانه Pandas
• 33. ساخت و کار با DataFrame در Pandas
• 34. خواندن و نوشتن داده‌ها در Pandas
• 35. فیلتر کردن و انتخاب داده‌ها در Pandas
• 36. مرتب‌سازی و گروه‌بندی داده‌ها در Pandas
• 37. ترکیب و ادغام DataFrame ها
• 38. پاکسازی داده‌های ناقص در Pandas
• 39. تبدیل و مهندسی ویژگی‌ها در Pandas
• 40. مقدمه‌ای بر مصورسازی داده‌ها
• 41. نصب و استفاده از Matplotlib
• 42. رسم نمودارهای خطی و پراکندگی
• 43. رسم نمودارهای میله‌ای و هیستوگرام
• 44. تنظیمات پیشرفته نمودارها در Matplotlib
• 45. مقدمه‌ای بر کتابخانه Seaborn
• 46. رسم نمودارهای آماری با Seaborn
• 47. سفارشی‌سازی نمودارها در Seaborn
• 48. مقدمه‌ای بر یادگیری ماشین
• 49. انواع یادگیری ماشین: نظارت‌شده و بدون نظارت
• 50. مراحل کلی در پروژه‌های یادگیری ماشین
• 51. مقدمه‌ای بر کتابخانه Scikit-learn
• 52. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 53. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 54. الگوریتم رگرسیون خطی
• 55. ارزیابی مدل‌های رگرسیون
• 56. الگوریتم رگرسیون لجستیک
• 57. ارزیابی مدل‌های طبقه‌بندی
• 58. الگوریتم ماشین بردار پشتیبان (SVM)
• 59. الگوریتم درخت تصمیم
• 60. الگوریتم جنگل تصادفی
• 61. مقدمه‌ای بر خوشه‌بندی
• 62. الگوریتم K-Means
• 63. مقدمه‌ای بر کاهش ابعاد
• 64. تحلیل مولفه‌های اصلی (PCA)
• 65. مقدمه‌ای بر شبکه‌های عصبی
• 66. معماری ساده شبکه عصبی
• 67. آموزش شبکه‌های عصبی با TensorFlow/Keras
• 68. استفاده از لایه‌های مختلف در شبکه‌های عصبی
• 69. توابع فعال‌سازی در شبکه‌های عصبی
• 70. تابع هزینه و بهینه‌سازها
• 71. تنظیمات هایپرپارامترها
• 72. شبکه‌های عصبی کانولوشنال (CNN)
• 73. کاربرد CNN در تشخیص تصویر
• 74. شبکه‌های عصبی بازگشتی (RNN)
• 75. کاربرد RNN در پردازش زبان طبیعی
• 76. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 77. مقدمه‌ای بر کتابخانه NLTK
• 78. پیش‌پردازش متن در NLTK
• 79. کار با کلمات و جملات در NLTK
• 80. مقدمه‌ای بر کتابخانه spaCy
• 81. استفاده از spaCy برای تحلیل متن
• 82. شناسایی موجودیت‌های نام‌دار (NER)
• 83. مقدمه‌ای بر مدل‌های زبانی بزرگ
• 84. مقدمه‌ای بر داده‌کاوی
• 85. تکنیک‌های یافتن الگو در داده‌ها
• 86. مقدمه‌ای بر تحلیل سری‌های زمانی
• 87. کار با داده‌های زمانی در Pandas
• 88. مقدمه‌ای بر ابزارهای استقرار مدل
• 89. مقدمه‌ای بر مباحث اخلاقی در هوش مصنوعی
• 90. پروژه‌های عملی با Colaboratory
• 91. پیاده‌سازی یک مدل رگرسیون در Colab
• 92. پیاده‌سازی یک مدل طبقه‌بندی در Colab
• 93. پیاده‌سازی یک سیستم خوشه‌بندی در Colab
• 94. کاربرد Colab در پروژه‌های دانشجویی
• 95. نکات و ترفندهای پیشرفته در Colab
• 96. نظارت بر منابع سیستم در Colab
• 97. مدیریت حافظه و CPU در Colab
• 98. استفاده از GPU و TPU در Colab
• 99. بهینه‌سازی کد برای اجرا در Colab
• 100. نکات امنیتی در استفاده از Colab