دوره مبانی Google Colaboratory برای دانشمندان داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی Google Colaboratory برای دانشمندان داده

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Google Colaboratory
• 2. آشنایی با محیط Colab
• 3. ایجاد و مدیریت نوت‌بوک‌ها
• 4. اجرای کد پایتون در Colab
• 5. استفاده از سلول‌های کد و متن
• 6. نصب و وارد کردن کتابخانه‌ها
• 7. مدیریت فایل‌ها در Colab
• 8. آپلود و دانلود فایل‌ها
• 9. اتصال به Google Drive
• 10. همگام‌سازی با GitHub
• 11. مبانی برنامه‌نویسی پایتون
• 12. انواع داده‌ها در پایتون
• 13. متغیرها و عملگرها
• 14. ساختارهای کنترلی (شرطی و حلقه‌ها)
• 15. توابع در پایتون
• 16. ماژول‌ها و بسته‌ها
• 17. کار با رشته‌ها
• 18. کار با لیست‌ها و تاپل‌ها
• 19. کار با دیکشنری‌ها و مجموعه‌ها
• 20. مقدمه‌ای بر علم داده
• 21. مفهوم داده و انواع آن
• 22. جمع‌آوری داده
• 23. پاکسازی داده
• 24. پیش‌پردازش داده
• 25. تحلیل اکتشافی داده (EDA)
• 26. تصویرسازی داده
• 27. مبانی کتابخانه NumPy
• 28. آرایه‌های NumPy
• 29. عملیات بر روی آرایه‌های NumPy
• 30. توابع ریاضی NumPy
• 31. مبانی کتابخانه Pandas
• 32. ساختار داده DataFrame
• 33. عملیات بر روی DataFrame
• 34. فیلتر کردن و انتخاب داده‌ها
• 35. گروه‌بندی و تجمیع داده‌ها
• 36. ادغام و اتصال DataFrame ها
• 37. کار با داده‌های سری زمانی
• 38. مبانی کتابخانه Matplotlib
• 39. رسم نمودارهای خطی
• 40. رسم نمودارهای پراکندگی
• 41. رسم نمودارهای میله‌ای
• 42. رسم نمودارهای هیستوگرام
• 43. سفارشی‌سازی نمودارها
• 44. مبانی کتابخانه Seaborn
• 45. نمودارهای آماری Seaborn
• 46. رسم نقشه‌های حرارتی
• 47. رسم نمودارهای جعبه‌ای
• 48. رسم نمودارهای ویولن
• 49. مقدمه‌ای بر یادگیری ماشین
• 50. انواع یادگیری ماشین (نظارت‌شده، بدون نظارت)
• 51. مراحل کلی مدل‌سازی
• 52. ارزیابی مدل‌ها
• 53. تقسیم داده‌ها به مجموعه آموزش و تست
• 54. مبانی رگرسیون خطی
• 55. پیاده‌سازی رگرسیون خطی در پایتون
• 56. ارزیابی مدل رگرسیون
• 57. مبانی رگرسیون لجستیک
• 58. پیاده‌سازی رگرسیون لجستیک
• 59. ارزیابی مدل طبقه‌بندی
• 60. مبانی ماشین‌های بردار پشتیبان (SVM)
• 61. پیاده‌سازی SVM
• 62. مبانی درخت‌های تصمیم
• 63. پیاده‌سازی درخت تصمیم
• 64. مبانی جنگل‌های تصادفی
• 65. پیاده‌سازی جنگل تصادفی
• 66. مبانی خوشه‌بندی K-Means
• 67. پیاده‌سازی K-Means
• 68. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 69. کار با متن در پایتون
• 70. توکنیزاسیون
• 71. حذف کلمات توقف (Stop Words)
• 72. ریشه‌یابی (Stemming) و لماتیزاسیون (Lemmatization)
• 73. نمایش برداری متن (Bag-of-Words)
• 74. نمایش TF-IDF
• 75. کار با کتابخانه NLTK
• 76. کار با کتابخانه spaCy
• 77. مقدمه‌ای بر شبکه‌های عصبی
• 78. مفهوم نورون مصنوعی
• 79. شبکه‌های عصبی پیش‌خور (Feedforward)
• 80. تابع فعال‌سازی
• 81. آموزش شبکه‌های عصبی
• 82. مقدمه‌ای بر TensorFlow
• 83. نصب TensorFlow
• 84. مبانی تنسورها
• 85. ساخت مدل‌های ساده با Keras
• 86. آموزش و ارزیابی مدل با Keras
• 87. مقدمه‌ای بر PyTorch
• 88. نصب PyTorch
• 89. مبانی تِنسورهای PyTorch
• 90. ساخت مدل‌های ساده با PyTorch
• 91. آموزش و ارزیابی مدل با PyTorch
• 92. کار با داده‌های حجیم در Colab
• 93. استفاده از GPU در Colab
• 94. بهینه‌سازی کد برای عملکرد
• 95. نکات پیشرفته در Colab
• 96. مدیریت وابستگی‌ها
• 97. اشتراک‌گذاری نوت‌بوک‌ها
• 98. مقدمه‌ای بر امنیت داده‌ها در محیط آموزشی
• 99. اصول حفاظت از اطلاعات حساس
• 100. رعایت حریم خصوصی کاربران