دوره ساخت پروژه‌های کاربردی یادگیری ماشین با پایتون برای مبتدیان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت پروژه‌های کاربردی یادگیری ماشین با پایتون برای مبتدیان

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و کاربردهای عملی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایتون برای یادگیری ماشین
• 2. نصب و پیکربندی محیط توسعه پایتون
• 3. آشنایی با کتابخانه‌های کلیدی: NumPy و Pandas
• 4. عملیات پایه با NumPy برای داده‌های عددی
• 5. کار با دیتافریم‌ها در Pandas
• 6. پاکسازی و پیش‌پردازش داده‌ها
• 7. مدیریت مقادیر گمشده
• 8. شناسایی و حذف داده‌های پرت
• 9. تبدیل داده‌های دسته‌ای به عددی
• 10. استانداردسازی و نرمال‌سازی داده‌ها
• 11. مقدمه‌ای بر یادگیری ماشین
• 12. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 13. مفهوم مدل‌های یادگیری ماشین
• 14. ارزیابی مدل‌های یادگیری ماشین
• 15. تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی
• 16. رگرسیون خطی ساده
• 17. رگرسیون خطی چندگانه
• 18. ارزیابی مدل‌های رگرسیون
• 19. مقدمه‌ای بر طبقه‌بندی
• 20. رگرسیون لجستیک
• 21. دسته‌بندی‌کننده‌های K-نزدیکترین همسایه (KNN)
• 22. ماشین بردار پشتیبان (SVM)
• 23. درختان تصمیم
• 24. جنگل‌های تصادفی
• 25. ارزیابی مدل‌های طبقه‌بندی
• 26. متریک‌های ارزیابی: دقت، صحت، بازیابی، امتیاز F1
• 27. ماتریس درهم‌ریختگی
• 28. مقدمه‌ای بر یادگیری بدون نظارت
• 29. خوشه‌بندی K-Means
• 30. تحلیل مؤلفه‌های اصلی (PCA)
• 31. کاهش ابعاد داده‌ها
• 32. کار با داده‌های متنی
• 33. پردازش زبان طبیعی (NLP) مقدماتی
• 34. کیسه کلمات (Bag-of-Words)
• 35. TF-IDF
• 36. مدل‌سازی موضوعی (Topic Modeling)
• 37. مقدمه‌ای بر شبکه‌های عصبی
• 38. نورون مصنوعی
• 39. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 40. تابع فعال‌سازی
• 41. پس‌انتشار خطا (Backpropagation)
• 42. کتابخانه TensorFlow و Keras
• 43. ساخت اولین شبکه عصبی با Keras
• 44. شبکه‌های عصبی کانولوشنال (CNN)
• 45. کاربرد CNN در تشخیص تصویر
• 46. شبکه‌های عصبی بازگشتی (RNN)
• 47. کاربرد RNN در پردازش توالی
• 48. شبکه‌های LSTM و GRU
• 49. کاربرد در مدل‌سازی زبان
• 50. مقدمه‌ای بر یادگیری تقویتی
• 51. مفاهیم پایه یادگیری تقویتی
• 52. عامل، محیط، پاداش
• 53. الگوریتم‌های Q-Learning
• 54. یادگیری عمیق برای پردازش تصویر
• 55. تشخیص اشیاء
• 56. تقسیم‌بندی تصویر
• 57. معماری‌های معروف CNN
• 58. استفاده از مدل‌های از پیش آموزش دیده (Transfer Learning)
• 59. یادگیری عمیق برای پردازش زبان طبیعی
• 60. ترجمه ماشینی
• 61. تولید متن
• 62. مدل‌های زبانی بزرگ (LLMs) مقدماتی
• 63. کاربرد LLMs در وظایف مختلف
• 64. ملاحظات اخلاقی در هوش مصنوعی
• 65. سوگیری در داده‌ها و مدل‌ها
• 66. حریم خصوصی و امنیت داده‌ها
• 67. هوش مصنوعی مسئولانه
• 68. پروژه ۱: پیش‌بینی قیمت مسکن با رگرسیون
• 69. پروژه ۲: دسته‌بندی تصاویر حیوانات با CNN
• 70. پروژه ۳: تحلیل احساسات متن با NLP
• 71. پروژه ۴: ساخت یک ربات چت ساده با RNN
• 72. پروژه ۵: خوشه‌بندی مشتریان با K-Means
• 73. پروژه ۶: تشخیص چهره با استفاده از کتابخانه‌های موجود
• 74. پروژه ۷: پیش‌بینی روند سهام با مدل‌های سری زمانی
• 75. پروژه ۸: سیستم توصیه‌گر ساده
• 76. پروژه ۹: تشخیص ناهنجاری در داده‌های سنسور
• 77. پروژه ۱۰: بازی‌سازی با یادگیری تقویتی مقدماتی
• 78. بهینه‌سازی مدل‌ها و تنظیم هایپرپارامترها
• 79. اعتبارسنجی متقابل (Cross-validation)
• 80. تکنیک‌های تنظیم هایپرپارامتر
• 81. استقرار مدل‌های یادگیری ماشین
• 82. مقدمه‌ای بر MLOps
• 83. ساخت API برای مدل‌های یادگیری ماشین
• 84. مقدمه‌ای بر ابزارهای ابری برای یادگیری ماشین
• 85. AWS SageMaker
• 86. Google AI Platform
• 87. Azure Machine Learning
• 88. یادگیری ماشین در عمل: مطالعات موردی
• 89. کاربرد در حوزه سلامت
• 90. کاربرد در حوزه مالی
• 91. کاربرد در حوزه صنعت
• 92. کاربرد در حوزه تجارت الکترونیک
• 93. آینده یادگیری ماشین و هوش مصنوعی
• 94. روندهای نوظهور
• 95. چالش‌های پیش رو
• 96. یادگیری عمیق پیشرفته
• 97. شبکه‌های مولد تخاصمی (GANs)
• 98. یادگیری انتقالی پیشرفته
• 99. یادگیری فدرال
• 100. هوش مصنوعی قابل تفسیر (XAI)