دوره فریم‌ورک‌های کلیدی یادگیری ماشین در Google Colaboratory همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره فریم‌ورک‌های کلیدی یادگیری ماشین در Google Colaboratory

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Google Colaboratory و محیط آن
• 2. نصب و پیکربندی محیط Colaboratory
• 3. آشنایی با رابط کاربری Colab
• 4. کار با نوت‌بوک‌ها و سلول‌ها در Colab
• 5. اجرای کد پایتون در Colab
• 6. مدیریت فایل‌ها و پوشه‌ها در Colab
• 7. اتصال به Google Drive از Colab
• 8. استفاده از کتابخانه‌های پرکاربرد پایتون
• 9. مقدمه‌ای بر یادگیری ماشین
• 10. مفاهیم پایه آمار برای یادگیری ماشین
• 11. انواع داده‌ها و پیش‌پردازش آن‌ها
• 12. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 13. تبدیل ویژگی‌ها و نرمال‌سازی داده‌ها
• 14. انتخاب ویژگی و روش‌های کاهش ابعاد
• 15. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
• 16. یادگیری نظارت‌شده و انواع آن
• 17. رگرسیون خطی و ارزیابی آن
• 18. رگرسیون لجستیک و طبقه‌بندی
• 19. دسته‌بندی‌کننده‌های مبتنی بر درخت تصمیم
• 20. جنگل‌های تصادفی برای رگرسیون و طبقه‌بندی
• 21. ماشین‌های بردار پشتیبان (SVM)
• 22. یادگیری نظارت‌نشده و انواع آن
• 23. خوشه‌بندی K-Means
• 24. خوشه‌بندی سلسله‌مراتبی
• 25. تحلیل مؤلفه‌های اصلی (PCA)
• 26. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 27. معماری پرسپترون چندلایه
• 28. توابع فعال‌سازی در شبکه‌های عصبی
• 29. پس‌انتشار خطا (Backpropagation)
• 30. بهینه‌سازی مدل‌های یادگیری ماشین
• 31. آموزش و اعتبارسنجی مدل‌ها
• 32. تنظیم فراپارامترها (Hyperparameter Tuning)
• 33. نکات مهم در جلوگیری از بیش‌برازش (Overfitting)
• 34. ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، بازیابی)
• 35. ماتریس درهم‌ریختگی (Confusion Matrix)
• 36. منحنی ROC و سطح زیر منحنی (AUC)
• 37. ارزیابی مدل‌های رگرسیون (MSE, MAE, R-squared)
• 38. مقدمه‌ای بر یادگیری عمیق
• 39. شبکه‌های عصبی کانولوشنی (CNN)
• 40. کاربرد CNN در پردازش تصویر
• 41. شبکه‌های عصبی بازگشتی (RNN)
• 42. کاربرد RNN در پردازش زبان طبیعی
• 43. شبکه‌های LSTM و GRU
• 44. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 45. پیش‌پردازش متن برای NLP
• 46. مدل‌سازی موضوعی (Topic Modeling)
• 47. تحلیل احساسات (Sentiment Analysis)
• 48. ساخت واژه‌نامه‌ها و بردارهای کلمه (Word Embeddings)
• 49. استفاده از کتابخانه NLTK
• 50. استفاده از کتابخانه spaCy
• 51. یادگیری تقویتی (Reinforcement Learning)
• 52. مفاهیم پایه یادگیری تقویتی
• 53. الگوریتم‌های Q-Learning
• 54. کاربرد یادگیری تقویتی
• 55. مقدمه‌ای بر TensorFlow
• 56. نصب TensorFlow در Colab
• 57. ساخت مدل‌های ساده با TensorFlow
• 58. استفاده از Keras API
• 59. ساخت شبکه‌های عصبی عمیق با Keras
• 60. آموزش و ارزیابی مدل‌ها در TensorFlow
• 61. مقدمه‌ای بر PyTorch
• 62. نصب PyTorch در Colab
• 63. ساخت مدل‌های ساده با PyTorch
• 64. ساخت شبکه‌های عصبی عمیق با PyTorch
• 65. آموزش و ارزیابی مدل‌ها در PyTorch
• 66. مقایسه TensorFlow و PyTorch
• 67. کاربرد یادگیری ماشین در تشخیص تصویر
• 68. کاربرد یادگیری ماشین در تشخیص گفتار
• 69. کاربرد یادگیری ماشین در سیستم‌های توصیه‌گر
• 70. کاربرد یادگیری ماشین در تحلیل داده‌های سری زمانی
• 71. مقدمه‌ای بر Big Data و Colab
• 72. نحوه کار با داده‌های حجیم در Colab
• 73. استفاده از کتابخانه‌های Big Data در Colab
• 74. مقدمه‌ای بر MLOps
• 75. اصول و چرخه حیات MLOps
• 76. استقرار مدل‌های یادگیری ماشین
• 77. نظارت بر عملکرد مدل‌ها
• 78. مدیریت نسخه مدل‌ها
• 79. امنیت در پروژه‌های یادگیری ماشین
• 80. اخلاق در هوش مصنوعی و یادگیری ماشین
• 81. حریم خصوصی داده‌ها در پروژه‌های ML
• 82. سوگیری (Bias) در مدل‌های یادگیری ماشین
• 83. تفسیرپذیری مدل‌ها (Model Interpretability)
• 84. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 85. کاربرد یادگیری انتقالی در بینایی کامپیوتر
• 86. کاربرد یادگیری انتقالی در NLP
• 87. مقدمه‌ای بر AutoML
• 88. ابزارها و روش‌های AutoML
• 89. استفاده از AutoML در Colab
• 90. بهینه‌سازی کد و استفاده مؤثر از منابع Colab
• 91. نکات پیشرفته برای کار با GPU در Colab
• 92. مدیریت حافظه و زمان اجرا در Colab
• 93. پروژه‌های عملی یادگیری ماشین در Colab
• 94. ساخت یک مدل طبقه‌بندی تصویر سفارشی
• 95. ساخت یک مدل تحلیل احساسات سفارشی
• 96. ساخت یک سیستم توصیه‌گر ساده
• 97. نکات نهایی و منابع بیشتر برای یادگیری
• 98. جمع‌بندی و چشم‌انداز آینده یادگیری ماشین