دوره بهینه‌سازی کدها و اجرای مدل‌ها در Google Colaboratory همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی کدها و اجرای مدل‌ها در Google Colaboratory

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. آشنایی با محیط Google Colaboratory
• 2. نصب و پیکربندی کتابخانه‌های مورد نیاز
• 3. مقدمه‌ای بر زبان پایتون برای علم داده
• 4. ساختار داده‌های اساسی در پایتون
• 5. دستورات کنترلی و حلقه‌ها در پایتون
• 6. توابع و ماژول‌ها در پایتون
• 7. کار با فایل‌ها و دایرکتوری‌ها
• 8. مقدمه‌ای بر NumPy برای محاسبات عددی
• 9. آرایه‌ها و عملیات پایه در NumPy
• 10. عملیات پیشرفته با آرایه‌های NumPy
• 11. مقدمه‌ای بر Pandas برای تحلیل داده
• 12. ساخت و دستکاری DataFrame در Pandas
• 13. فیلتر کردن و انتخاب داده‌ها در Pandas
• 14. گروه‌بندی و تجمیع داده‌ها در Pandas
• 15. ادغام و پیوستن DataFrameها
• 16. کار با داده‌های سری زمانی در Pandas
• 17. مقدمه‌ای بر Matplotlib برای بصری‌سازی داده
• 18. ایجاد نمودارهای خطی و پراکندگی
• 19. نمودارهای میله‌ای و هیستوگرام
• 20. تنظیمات پیشرفته در Matplotlib
• 21. مقدمه‌ای بر Seaborn برای بصری‌سازی آماری
• 22. نمودارهای آماری پرکاربرد در Seaborn
• 23. کار با داده‌های نامنظم و گمشده
• 24. پیش‌پردازش داده‌ها برای مدل‌سازی
• 25. پاکسازی و نرمال‌سازی داده‌ها
• 26. رمزگذاری متغیرهای دسته‌ای
• 27. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
• 28. مقدمه‌ای بر یادگیری ماشین
• 29. انواع الگوریتم‌های یادگیری ماشین
• 30. مقدمه‌ای بر رگرسیون خطی
• 31. پیاده‌سازی رگرسیون خطی در Python
• 32. مقدمه‌ای بر رگرسیون لجستیک
• 33. پیاده‌سازی رگرسیون لجستیک در Python
• 34. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 35. پیاده‌سازی SVM در Python
• 36. مقدمه‌ای بر درختان تصمیم
• 37. پیاده‌سازی درختان تصمیم در Python
• 38. مقدمه‌ای بر جنگل‌های تصادفی
• 39. پیاده‌سازی جنگل‌های تصادفی در Python
• 40. مقدمه‌ای بر مدل‌های خوشه‌بندی
• 41. الگوریتم K-Means
• 42. پیاده‌سازی K-Means در Python
• 43. مقدمه‌ای بر کاهش ابعاد
• 44. تحلیل مؤلفه‌های اصلی (PCA)
• 45. پیاده‌سازی PCA در Python
• 46. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 47. لایه ورودی، پنهان و خروجی
• 48. توابع فعال‌سازی در شبکه‌های عصبی
• 49. روش‌های بهینه‌سازی (Gradient Descent)
• 50. پیاده‌سازی شبکه‌های عصبی ساده
• 51. مقدمه‌ای بر یادگیری عمیق
• 52. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 53. معماری‌های رایج CNN
• 54. کاربرد CNN در طبقه‌بندی تصاویر
• 55. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 56. معماری‌های رایج RNN
• 57. کاربرد RNN در پردازش زبان طبیعی
• 58. تنظیمات و پارامترهای مدل‌ها
• 59. اعتبارسنجی متقابل (Cross-Validation)
• 60. ارزیابی عملکرد مدل‌ها (Metrics)
• 61. انواع خطاهای مدل
• 62. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 63. جستجوی شبکه‌ای (Grid Search)
• 64. جستجوی تصادفی (Random Search)
• 65. مقدمه‌ای بر TensorFlow
• 66. ساخت مدل‌های ساده با TensorFlow
• 67. استفاده از Keras API در TensorFlow
• 68. پیاده‌سازی CNN با TensorFlow/Keras
• 69. پیاده‌سازی RNN با TensorFlow/Keras
• 70. مقدمه‌ای بر PyTorch
• 71. ساخت مدل‌های ساده با PyTorch
• 72. استفاده از PyTorch برای CNN
• 73. استفاده از PyTorch برای RNN
• 74. بهینه‌سازی اجرای کد در Colaboratory
• 75. استفاده از GPU و TPU در Colaboratory
• 76. مدیریت حافظه در Colaboratory
• 77. بارگذاری و ذخیره مدل‌ها
• 78. استفاده از Checkpoints
• 79. مستندسازی کد و پروژه‌ها
• 80. اصول اولیه برنامه‌نویسی تمیز
• 81. مدیریت نسخه با Git (مقدماتی)
• 82. نکات امنیتی در استفاده از Colaboratory
• 83. بررسی و رفع اشکالات رایج
• 84. ملاحظات اخلاقی در علم داده
• 85. کاربرد مدل‌ها در صنعت (مطالعات موردی)
• 86. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 87. تحلیل احساسات با مدل‌های یادگیری ماشین
• 88. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 89. پیاده‌سازی سیستم توصیه‌گر ساده
• 90. مقدمه‌ای بر یادگیری تقویتی (RL)
• 91. مفاهیم پایه یادگیری تقویتی
• 92. کاربرد RL در مسائل بهینه‌سازی
• 93. مقدمه‌ای بر داده‌کاوی و الگوهای پنهان
• 94. یافتن قوانین وابستگی (Association Rules)
• 95. مقدمه‌ای بر گراف‌ها و تحلیل شبکه‌ها
• 96. مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
• 97. کاربرد مدل‌های زبانی بزرگ (LLMs)
• 98. ملاحظات حقوقی و شرعی در استفاده از LLMs
• 99. اصول اخلاقی در توسعه هوش مصنوعی
• 100. آینده هوش مصنوعی و علم داده