دوره علم داده و یادگیری ماشین: از مبانی تا کاربردهای پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره علم داده و یادگیری ماشین: از مبانی تا کاربردهای پیشرفته

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین و کاربردهای آن

📋 سرفصل‌های دوره

• 1. مبانی علم داده و مقدمات
• 2. تاریخچه و چشم‌انداز علم داده
• 3. کاربردهای علم داده در ایران
• 4. اخلاق در علم داده و هوش مصنوعی
• 5. مقدمه‌ای بر یادگیری ماشین
• 6. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت، تقویتی
• 7. انواع داده‌ها و پیش‌پردازش آن‌ها
• 8. پاک‌سازی داده‌ها و مدیریت مقادیر گمشده
• 9. مهندسی ویژگی و انتخاب ویژگی
• 10. مقدمه‌ای بر آمار و احتمالات برای علم داده
• 11. توزیع‌های آماری و آزمون فرض
• 12. رگرسیون خطی و مفاهیم آن
• 13. ارزیابی مدل‌های رگرسیونی
• 14. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 15. مقدمه‌ای بر طبقه‌بندی
• 16. دسته‌بندی‌کننده‌های بردار پشتیبان (SVM)
• 17. درختان تصمیم و قواعد تصمیم‌گیری
• 18. مقدمه‌ای بر جنگل‌های تصادفی
• 19. تقویت گرادیان و مدل‌های Boosting
• 20. مدل‌های یادگیری عمیق: شبکه‌های عصبی
• 21. شبکه‌های عصبی کانولوشنی (CNN)
• 22. شبکه‌های عصبی بازگشتی (RNN)
• 23. پردازش زبان طبیعی (NLP) با یادگیری ماشین
• 24. کاربرد NLP در تحلیل احساسات
• 25. مفاهیم اولیه یادگیری بدون نظارت
• 26. خوشه‌بندی و الگوریتم K-Means
• 27. کاهش ابعاد و تحلیل مولفه‌های اصلی (PCA)
• 28. یادگیری تقویتی: مبانی و مفاهیم
• 29. یادگیری تقویتی عامل-محیط
• 30. الگوریتم‌های Q-Learning
• 31. کاربرد یادگیری تقویتی در بهینه‌سازی
• 32. معرفی ابزارها و کتابخانه‌های علم داده
• 33. پایتون برای علم داده: NumPy و Pandas
• 34. مصورسازی داده‌ها با Matplotlib و Seaborn
• 35. کتابخانه Scikit-learn برای یادگیری ماشین
• 36. مقدمه‌ای بر فریم‌ورک‌های یادگیری عمیق
• 37. TensorFlow و Keras
• 38. PyTorch
• 39. ارزیابی مدل‌های یادگیری ماشین
• 40. معیارهای ارزیابی برای رگرسیون
• 41. معیارهای ارزیابی برای طبقه‌بندی
• 42. اعتبارسنجی متقابل (Cross-Validation)
• 43. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 44. روش‌های منظم‌سازی (Regularization)
• 45. مدیریت بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 46. یادگیری فعال (Active Learning)
• 47. یادگیری انتقالی (Transfer Learning)
• 48. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 49. سیستم‌های توصیه‌گر: مبانی
• 50. فیلترینگ مبتنی بر محتوا
• 51. فیلترینگ مشارکتی
• 52. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 53. کاربرد علم داده در بهداشت و درمان
• 54. کاربرد علم داده در امور مالی و بانکداری اسلامی
• 55. کاربرد علم داده در صنعت و تولید
• 56. کاربرد علم داده در مدیریت شهری و خدمات عمومی
• 57. کاربرد علم داده در آموزش و پرورش
• 58. کاربرد علم داده در کشاورزی
• 59. کاربرد علم داده در حوزه انرژی
• 60. کاربرد علم داده در حمل و نقل
• 61. کاربرد علم داده در رسانه و تبلیغات
• 62. کاربرد علم داده در حقوق و قضایا
• 63. کاربرد علم داده در پژوهش‌های علمی
• 64. امنیت داده‌ها و حریم خصوصی
• 65. ملاحظات حقوقی و اخلاقی در داده‌کاوی
• 66. مقررات بانک مرکزی ایران در حوزه رمزارزها
• 67. مدیریت پروژه در علم داده
• 68. اصول تحلیل کسب و کار و تعریف مسئله
• 69. جمع‌آوری و آماده‌سازی داده‌ها برای پروژه‌های واقعی
• 70. انتخاب الگوریتم مناسب برای مسائل مختلف
• 71. پیاده‌سازی و آموزش مدل‌ها
• 72. ارزیابی و تفسیر نتایج مدل‌ها
• 73. استقرار مدل‌ها در محیط عملیاتی
• 74. مانیتورینگ و نگهداری مدل‌ها
• 75. کاربرد علم داده در پیش‌بینی سری‌های زمانی
• 76. تحلیل داده‌های مکانی و جغرافیایی
• 77. شبکه‌های اجتماعی و تحلیل داده‌ها
• 78. بیوانفورماتیک و تحلیل داده‌های زیستی
• 79. علم داده و هوش مصنوعی در خدمت اقتصاد مقاومتی
• 80. مبانی داده‌کاوی در بستر داده‌های بزرگ (Big Data)
• 81. معماری‌های پردازش داده‌های بزرگ
• 82. ابزارهای پردازش داده‌های بزرگ
• 83. مقدمه‌ای بر یادگیری عمیق مولد (Generative Deep Learning)
• 84. شبکه‌های مولد تخاصمی (GANs)
• 85. مدل‌های زبانی بزرگ (LLMs)
• 86. کاربرد LLMs در تولید متن و کد
• 87. مبانی هوش مصنوعی و ارتباط آن با علم داده
• 88. انواع هوش مصنوعی: ضعیف و قوی
• 89. هوش مصنوعی و کاربردهای آن در زندگی روزمره
• 90. آینده علم داده و هوش مصنوعی
• 91. چالش‌های پیش روی علم داده در ایران
• 92. توسعه ابزارهای بومی برای علم داده
• 93. مدل‌سازی اقتصادی با استفاده از علم داده
• 94. تحلیل داده‌های بازار سرمایه در چارچوب مقررات
• 95. بهینه‌سازی فرآیندهای کسب و کار با هوش مصنوعی
• 96. مباحث پیشرفته در یادگیری ماشین
• 97. مقدمه‌ای بر یادگیری تقویتی عمیق
• 98. یادگیری چندعاملی (Multi-Agent Learning)
• 99. یادگیری فدرال (Federated Learning)
• 100. شبکه‌های عصبی گراف (Graph Neural Networks)