دوره پیاده‌سازی پروژه‌های یادگیری ماشین در Google Colaboratory همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی پروژه‌های یادگیری ماشین در Google Colaboratory

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Google Colaboratory
• 2. آشنایی با محیط Colab
• 3. اجرای کد پایتون در Colab
• 4. استفاده از نوت‌بوک‌ها
• 5. مدیریت فایل‌ها در Colab
• 6. اتصال به Google Drive
• 7. نصب کتابخانه‌های پایتون
• 8. مقدمه‌ای بر یادگیری ماشین
• 9. انواع یادگیری ماشین
• 10. یادگیری نظارت شده
• 11. یادگیری بدون نظارت
• 12. یادگیری تقویتی
• 13. مقدمه‌ای بر کتابخانه‌های علمی پایتون
• 14. NumPy برای محاسبات عددی
• 15. Pandas برای تحلیل داده
• 16. Matplotlib برای بصری‌سازی
• 17. Seaborn برای بصری‌سازی پیشرفته
• 18. Scikit-learn برای یادگیری ماشین
• 19. آماده‌سازی داده‌ها
• 20. پاکسازی داده‌ها
• 21. مقابله با مقادیر گمشده
• 22. استانداردسازی و نرمال‌سازی داده‌ها
• 23. مهندسی ویژگی
• 24. انتخاب ویژگی
• 25. مقدمه‌ای بر مدل‌های یادگیری ماشین
• 26. رگرسیون خطی
• 27. رگرسیون لجستیک
• 28. درخت تصمیم
• 29. جنگل تصادفی
• 30. ماشین بردار پشتیبان (SVM)
• 31. K-نزدیکترین همسایه (KNN)
• 32. خوشه‌بندی K-Means
• 33. تحلیل مولفه اصلی (PCA)
• 34. ارزیابی مدل‌ها
• 35. معیارهای ارزیابی برای رگرسیون
• 36. معیارهای ارزیابی برای طبقه‌بندی
• 37. اعتبارسنجی متقابل
• 38. تنظیم ابرپارامترها
• 39. جستجوی شبکه‌ای (Grid Search)
• 40. جستجوی تصادفی (Random Search)
• 41. مقدمه‌ای بر شبکه‌های عصبی
• 42. مفهوم نورون مصنوعی
• 43. توابع فعال‌سازی
• 44. شبکه‌های عصبی پیشخور
• 45. مقدمه‌ای بر یادگیری عمیق
• 46. شبکه‌های عصبی کانولوشنی (CNN)
• 47. شبکه‌های عصبی بازگشتی (RNN)
• 48. کاربرد CNN در بینایی ماشین
• 49. کاربرد RNN در پردازش زبان طبیعی
• 50. پیاده‌سازی CNN در Colab
• 51. پیاده‌سازی RNN در Colab
• 52. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 53. توکن‌سازی
• 54. ریشه‌یابی کلمات
• 55. برچسب‌گذاری اجزای کلام
• 56. بردارسازی متن
• 57. مدل‌های زبانی
• 58. کاربرد مدل‌های زبانی در Colab
• 59. مقدمه‌ای بر الگوریتم‌های خوشه‌بندی
• 60. کاربرد خوشه‌بندی در تحلیل داده
• 61. پیاده‌سازی K-Means در Colab
• 62. مقدمه‌ای بر الگوریتم‌های کاهش ابعاد
• 63. کاربرد PCA در کاهش ابعاد
• 64. پیاده‌سازی PCA در Colab
• 65. مقدمه‌ای بر مدل‌های پیش‌بینی سری زمانی
• 66. کاربرد مدل‌های پیش‌بینی در اقتصاد
• 67. پیاده‌سازی مدل‌های سری زمانی در Colab
• 68. مقدمه‌ای بر یادگیری تقویتی
• 69. عناصر یادگیری تقویتی
• 70. کاربرد یادگیری تقویتی در رباتیک
• 71. پیاده‌سازی الگوریتم‌های یادگیری تقویتی در Colab
• 72. مقدمه‌ای بر هوش مصنوعی مولد
• 73. کاربرد هوش مصنوعی مولد در تولید محتوا
• 74. ملاحظات اخلاقی در یادگیری ماشین
• 75. حریم خصوصی داده‌ها
• 76. سوگیری در الگوریتم‌ها
• 77. توضیح‌پذیری مدل‌ها
• 78. مقدمه‌ای بر دیپلوی کردن مدل‌ها
• 79. روش‌های استقرار مدل
• 80. استقرار مدل در سرویس‌های ابری
• 81. مقدمه‌ای بر ابزارهای MLOps
• 82. مدیریت چرخه عمر مدل
• 83. نظارت بر مدل در محیط عملیاتی
• 84. بهینه‌سازی عملکرد مدل
• 85. تکنیک‌های بهینه‌سازی سرعت
• 86. استفاده از GPU در Colab
• 87. استفاده از TPU در Colab
• 88. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 89. چالش‌های داده‌های بزرگ
• 90. ابزارهای پردازش داده‌های بزرگ
• 91. مقدمه‌ای بر یادگیری توزیع شده
• 92. کاربرد یادگیری توزیع شده در پروژه‌های بزرگ
• 93. مقدمه‌ای بر یادگیری انتقال (Transfer Learning)
• 94. کاربرد یادگیری انتقال در بینایی ماشین
• 95. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 96. ملاحظات امنیتی در یادگیری فدرال
• 97. مقدمه‌ای بر تفسیر نتایج مدل‌ها
• 98. نمودارهای مهم برای تفسیر
• 99. تحلیل حساسیت مدل
• 100. مقدمه‌ای بر ساخت داشبوردهای تعاملی