دوره مبانی یادگیری ماشین با پایتون: از تئوری تا پیاده‌سازی عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین با پایتون: از تئوری تا پیاده‌سازی عملی

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
• 2. اصول اولیه برنامه‌نویسی با پایتون
• 3. ساختار داده‌ها در پایتون
• 4. الگوریتم‌ها و پیچیدگی زمانی
• 5. مبانی ریاضیات برای یادگیری ماشین
• 6. آمار توصیفی و استنباطی
• 7. مقدمه‌ای بر یادگیری ماشین
• 8. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 9. پیش‌پردازش داده‌ها و مهندسی ویژگی
• 10. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 11. مقیاس‌بندی و نرمال‌سازی ویژگی‌ها
• 12. انتخاب ویژگی و کاهش ابعاد
• 13. تحلیل مؤلفه‌های اصلی (PCA)
• 14. یادگیری ماشین نظارت شده: رگرسیون خطی
• 15. ارزیابی مدل‌های رگرسیون
• 16. رگرسیون لجستیک برای طبقه‌بندی
• 17. ارزیابی مدل‌های طبقه‌بندی
• 18. ماتریس درهم‌ریختگی و معیارهای آن
• 19. دقت، حساسیت و ویژگی
• 20. منحنی ROC و سطح زیر منحنی (AUC)
• 21. ماشین‌های بردار پشتیبان (SVM)
• 22. هسته‌های SVM و کاربردهای آن
• 23. درختان تصمیم
• 24. جنگل‌های تصادفی (Random Forests)
• 25. تقویت گرادیان (Gradient Boosting)
• 26. مدل‌های پیچیده‌تر با XGBoost
• 27. یادگیری ماشین بدون نظارت: خوشه‌بندی
• 28. الگوریتم K-Means
• 29. ارزیابی مدل‌های خوشه‌بندی
• 30. خوشه‌بندی سلسله مراتبی
• 31. تشخیص ناهنجاری با استفاده از خوشه‌بندی
• 32. یادگیری ماشین بدون نظارت: کاهش ابعاد
• 33. تحلیل مؤلفه‌های اصلی (PCA) - عمیق‌تر
• 34. تحلیل مؤلفه‌های مستقل (ICA)
• 35. یادگیری عمیق (Deep Learning)
• 36. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 37. تابع فعال‌سازی و پس‌انتشار خطا
• 38. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 39. شبکه‌های عصبی کانولوشنی (CNN)
• 40. کاربرد CNN در بینایی ماشین
• 41. شبکه‌های عصبی بازگشتی (RNN)
• 42. کاربرد RNN در پردازش زبان طبیعی
• 43. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 44. شبکه‌های حافظه کوتاه مدت (GRU)
• 45. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 46. توکن‌سازی و ریشه‌یابی کلمات
• 47. بردارسازی کلمات (Word Embeddings)
• 48. مدل‌های زبانی
• 49. مدل‌های ترانسفورمر و توجه
• 50. کاربرد NLP در تحلیل احساسات
• 51. کاربرد NLP در خلاصه‌سازی متن
• 52. کاربرد NLP در ترجمه ماشینی
• 53. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 54. تشخیص اشیاء
• 55. تقسیم‌بندی معنایی تصاویر
• 56. تولید تصاویر با شبکه‌های مولد تخاصمی (GAN)
• 57. یادگیری تقویتی (Reinforcement Learning)
• 58. مفاهیم اساسی یادگیری تقویتی
• 59. عامل، محیط، پاداش
• 60. یادگیری Q (Q-Learning)
• 61. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 62. کاربرد یادگیری تقویتی در بازی‌ها
• 63. کاربرد یادگیری تقویتی در رباتیک
• 64. کاربرد یادگیری تقویتی در سیستم‌های توصیه‌گر
• 65. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 66. فیلترینگ مشارکتی
• 67. فیلترینگ مبتنی بر محتوا
• 68. سیستم‌های توصیه‌گر ترکیبی
• 69. ارزیابی سیستم‌های توصیه‌گر
• 70. اخلاق در هوش مصنوعی
• 71. سوگیری در داده‌ها و مدل‌ها
• 72. شفافیت و توضیح‌پذیری مدل‌های هوش مصنوعی
• 73. امنیت و حریم خصوصی در هوش مصنوعی
• 74. کاربردهای هوش مصنوعی در صنعت
• 75. هوش مصنوعی در بهداشت و درمان
• 76. هوش مصنوعی در مالی و بانکداری
• 77. هوش مصنوعی در آموزش
• 78. هوش مصنوعی در حمل و نقل
• 79. آینده هوش مصنوعی و روندهای نوظهور
• 80. یادگیری انتقالی (Transfer Learning)
• 81. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 82. یادگیری فدرال (Federated Learning)
• 83. هوش مصنوعی قابل اعتماد (Trustworthy AI)
• 84. فریم‌ورک‌های یادگیری ماشین در پایتون
• 85. کتابخانه NumPy برای محاسبات عددی
• 86. کتابخانه Pandas برای تحلیل داده
• 87. کتابخانه Scikit-learn برای یادگیری ماشین
• 88. کتابخانه Matplotlib و Seaborn برای بصری‌سازی
• 89. کتابخانه TensorFlow برای یادگیری عمیق
• 90. کتابخانه Keras رابط سطح بالا برای TensorFlow
• 91. کتابخانه PyTorch برای یادگیری عمیق
• 92. پیاده‌سازی یک پروژه کامل یادگیری ماشین
• 93. انتخاب مسئله و جمع‌آوری داده
• 94. آماده‌سازی و پیش‌پردازش داده‌ها
• 95. ساخت و آموزش مدل
• 96. ارزیابی و بهینه‌سازی مدل
• 97. استقرار مدل
• 98. ملاحظات پایانی و منابع بیشتر