دوره مبانی مدل‌سازی یادگیری ماشین با Sklearn همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی مدل‌سازی یادگیری ماشین با Sklearn

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه بر علم داده و یادگیری ماشین
• 2. آشنایی با کتابخانه Sklearn
• 3. نصب و پیکربندی Sklearn
• 4. مفاهیم پایه یادگیری ماشین
• 5. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 6. پیش‌پردازش داده‌ها
• 7. پاکسازی داده‌ها
• 8. مقیاس‌بندی ویژگی‌ها
• 9. کدگذاری متغیرهای دسته‌ای
• 10. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 11. ارزیابی مدل‌ها
• 12. معیارهای ارزیابی برای رگرسیون
• 13. معیارهای ارزیابی برای طبقه‌بندی
• 14. ماتریس درهم‌ریختگی
• 15. اعتبارسنجی متقابل
• 16. مدل‌های رگرسیون خطی
• 17. رگرسیون خطی ساده
• 18. رگرسیون خطی چندگانه
• 19. تنظیم گرادیان
• 20. مدل‌های رگرسیون چندجمله‌ای
• 21. مدل‌های طبقه‌بندی
• 22. رگرسیون لجستیک
• 23. ماشین‌های بردار پشتیبان (SVM)
• 24. درختان تصمیم
• 25. جنگل‌های تصادفی
• 26. مدل‌های خوشه‌بندی
• 27. K-Means
• 28. خوشه‌بندی سلسله مراتبی
• 29. DBSCAN
• 30. مدل‌های کاهش ابعاد
• 31. تحلیل مولفه‌های اصلی (PCA)
• 32. تجزیه مقادیر منفرد (SVD)
• 33. نمودار t-SNE
• 34. مدل‌های انتخاب ویژگی
• 35. فیلترهای مبتنی بر معیار
• 36. ویژگی‌های جاسازی شده
• 37. انتخاب مبتنی بر مدل
• 38. یادگیری عمیق و شبکه‌های عصبی
• 39. مقدمه‌ای بر شبکه‌های عصبی
• 40. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 41. توابع فعال‌سازی
• 42. پس‌انتشار خطا
• 43. بهینه‌سازی شبکه‌های عصبی
• 44. بهینه‌سازها (Adam, SGD)
• 45. تنظیم نرخ یادگیری
• 46. تنظیم‌کننده‌ها (L1, L2)
• 47. کاهش نرخ یادگیری
• 48. مدل‌های پیچیده‌تر شبکه عصبی
• 49. شبکه‌های عصبی کانولوشنال (CNN)
• 50. شبکه‌های عصبی بازگشتی (RNN)
• 51. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 52. شبکه‌های حافظه طولانی کوتاه (GRU)
• 53. پردازش زبان طبیعی (NLP)
• 54. نمایش متن (Bag-of-Words)
• 55. TF-IDF
• 56. جاسازی کلمات (Word Embeddings)
• 57. مدل‌های زبانی
• 58. مدل‌های ترنسفورمر (مقدماتی)
• 59. کاربرد مدل‌های ترنسفورمر
• 60. تنظیم دقیق مدل‌های ترنسفورمر
• 61. مدل‌های پیش‌ساخته (Pre-trained Models)
• 62. کاربرد مدل‌های پیش‌ساخته
• 63. تکنیک‌های پیشرفته در Sklearn
• 64. یادگیری انتقالی (Transfer Learning)
• 65. یادگیری تقویتی (مقدماتی)
• 66. کاربرد یادگیری تقویتی
• 67. مدل‌های ترکیبی (Ensemble Methods)
• 68. Bagging
• 69. Boosting (AdaBoost, Gradient Boosting)
• 70. Stacking
• 71. مدل‌های یادگیری نیمه‌نظارت شده
• 72. مدل‌های یادگیری خودنظارت شده
• 73. مدل‌های یادگیری چند وظیفه‌ای
• 74. مدل‌های تشخیص ناهنجاری
• 75. مدل‌های پیش‌بینی سری‌های زمانی
• 76. مدل‌های پردازش تصویر
• 77. کاربرد Sklearn در پروژه‌های واقعی
• 78. ملاحظات اخلاقی در هوش مصنوعی
• 79. حریم خصوصی داده‌ها
• 80. امنیت مدل‌ها
• 81. قابلیت تفسیر مدل‌ها
• 82. سوگیری در مدل‌ها
• 83. کاربرد هوش مصنوعی در اقتصاد اسلامی
• 84. کاربرد هوش مصنوعی در بانکداری بدون ربا
• 85. کاربرد هوش مصنوعی در بیمه اسلامی
• 86. کاربرد هوش مصنوعی در توسعه پایدار
• 87. کاربرد هوش مصنوعی در سلامت
• 88. کاربرد هوش مصنوعی در آموزش
• 89. کاربرد هوش مصنوعی در کشاورزی
• 90. کاربرد هوش مصنوعی در مدیریت شهری
• 91. کاربرد هوش مصنوعی در صنعت
• 92. کاربرد هوش مصنوعی در تحقیقات علمی
• 93. کاربرد هوش مصنوعی در بهینه‌سازی فرآیندها
• 94. کاربرد هوش مصنوعی در پیش‌بینی روند بازار
• 95. کاربرد هوش مصنوعی در تحلیل داده‌های اجتماعی
• 96. کاربرد هوش مصنوعی در بهبود کیفیت زندگی
• 97. کاربرد هوش مصنوعی در ارتقاء امنیت
• 98. کاربرد هوش مصنوعی در دستیابی به دانش
• 99. مدیریت پروژه در علم داده
• 100. اصول مهندسی نرم‌افزار برای علم داده