دوره Jupyter Notebooks: ابزاری کلیدی در جعبه ابزار یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Jupyter Notebooks: ابزاری کلیدی در جعبه ابزار یادگیری ماشین

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Jupyter Notebooks

📋 سرفصل‌های دوره

• 1. آشنایی با محیط Jupyter Notebook
• 2. نصب و راه‌اندازی Jupyter Notebook
• 3. مفاهیم اولیه سلول‌ها در Jupyter
• 4. اجرای کد پایتون در Jupyter
• 5. کار با Markdown در Jupyter
• 6. ایجاد و ذخیره نوت‌بوک‌ها
• 7. مدیریت فایل‌ها در Jupyter
• 8. استفاده از Kernelها در Jupyter
• 9. نوت‌بوک‌های چند زبانه
• 10. نکات و ترفندهای اولیه Jupyter
• 11. مقدمه‌ای بر یادگیری ماشین
• 12. انواع داده‌ها در یادگیری ماشین
• 13. پیش‌پردازش داده‌ها
• 14. پاکسازی داده‌ها
• 15. مقیاس‌بندی ویژگی‌ها
• 16. انتخاب ویژگی
• 17. کاهش ابعاد
• 18. مقدمه‌ای بر مدل‌های یادگیری ماشین
• 19. یادگیری نظارت شده
• 20. یادگیری نظارت نشده
• 21. رگرسیون خطی
• 22. رگرسیون لجستیک
• 23. درخت تصمیم
• 24. جنگل تصادفی
• 25. ماشین بردار پشتیبان (SVM)
• 26. شبکه‌های عصبی مقدماتی
• 27. یادگیری عمیق مقدماتی
• 28. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 29. پردازش متن
• 30. بردارسازی متن
• 31. مدل‌های زبانی
• 32. مقدمه‌ای بر بینایی ماشین
• 33. پردازش تصویر
• 34. تشخیص اشیاء
• 35. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 36. فیلترینگ مبتنی بر محتوا
• 37. فیلترینگ مشارکتی
• 38. مقدمه‌ای بر یادگیری تقویتی
• 39. محیط‌ها و عامل‌ها در یادگیری تقویتی
• 40. یادگیری Q
• 41. یادگیری سیاست
• 42. کاربرد یادگیری ماشین در کسب و کار
• 43. یادگیری ماشین در مالی
• 44. یادگیری ماشین در بازاریابی
• 45. یادگیری ماشین در بهداشت و درمان
• 46. یادگیری ماشین در صنعت
• 47. اخلاق در یادگیری ماشین
• 48. مسئولیت‌پذیری در هوش مصنوعی
• 49. حریم خصوصی داده‌ها
• 50. سوگیری در الگوریتم‌ها
• 51. شفافیت مدل‌ها
• 52. تفسیرپذیری مدل‌ها
• 53. ارزیابی مدل‌های یادگیری ماشین
• 54. معیارهای ارزیابی رگرسیون
• 55. معیارهای ارزیابی طبقه‌بندی
• 56. اعتبارسنجی متقابل
• 57. تنظیم هایپرپارامترها
• 58. روش‌های پیشرفته پیش‌پردازش داده
• 59. تکنیک‌های مهندسی ویژگی
• 60. مدل‌های ترکیبی (Ensemble Methods)
• 61. مدل‌های تخصصی یادگیری عمیق
• 62. شبکه‌های عصبی کانولوشنال (CNN)
• 63. شبکه‌های عصبی بازگشتی (RNN)
• 64. شبکه‌های عصبی ترنسفورمر
• 65. یادگیری انتقالی (Transfer Learning)
• 66. یادگیری فعال (Active Learning)
• 67. یادگیری نیمه‌نظارت شده
• 68. یادگیری ترکیبی (Hybrid Learning)
• 69. مدل‌های زبانی بزرگ (LLMs)
• 70. کاربرد LLMs در NLP
• 71. تولید متن با LLMs
• 72. خلاصه‌سازی متن با LLMs
• 73. ترجمه ماشینی با LLMs
• 74. کاربرد LLMs در تولید کد
• 75. مدل‌های یادگیری ماشین برای داده‌های سری زمانی
• 76. پیش‌بینی سری زمانی
• 77. تحلیل احساسات در متن
• 78. تشخیص ناهنجاری
• 79. یادگیری ماشین در گراف‌ها
• 80. شبکه‌های گراف عصبی (GNN)
• 81. کاربرد GNNs
• 82. مقدمه‌ای بر MLOps
• 83. استقرار مدل‌های یادگیری ماشین
• 84. نظارت بر مدل‌ها
• 85. مدیریت چرخه عمر مدل
• 86. تست مدل‌های یادگیری ماشین
• 87. امنیت در یادگیری ماشین
• 88. حملات به مدل‌های یادگیری ماشین
• 89. دفاع در برابر حملات
• 90. یادگیری ماشین قابل اعتماد
• 91. فریم‌ورک‌های یادگیری ماشین
• 92. TensorFlow مقدماتی
• 93. PyTorch مقدماتی
• 94. Scikit-learn پیشرفته
• 95. کتابخانه‌های تخصصی یادگیری ماشین
• 96. کاربرد Jupyter در پروژه‌های واقعی
• 97. ساختار یک پروژه یادگیری ماشین
• 98. مستندسازی در Jupyter
• 99. اشتراک‌گذاری نوت‌بوک‌ها
• 100. مقدمه‌ای بر هوش مصنوعی مولد