دوره جامع یادگیری ماشین با پایتون و R برای علم داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین با پایتون و R برای علم داده

موضوع کلی: علوم و فناوری داده

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و یادگیری ماشین
• 2. چرا یادگیری ماشین؟
• 3. کاربردهای علم داده در ایران
• 4. محیط توسعه: نصب پایتون و R
• 5. مقدمه ای بر زبان برنامه نویسی پایتون
• 6. مبانی پایتون برای علم داده
• 7. انواع داده در پایتون
• 8. ساختارهای داده در پایتون
• 9. تابع نویسی در پایتون
• 10. برنامه نویسی شی گرا در پایتون
• 11. کتابخانه NumPy برای محاسبات عددی
• 12. آرایه ها و عملیات بر روی آنها در NumPy
• 13. توابع آماری در NumPy
• 14. مقدمه ای بر کتابخانه Pandas
• 15. ساختارهای داده در Pandas: Series و DataFrame
• 16. عملیات بر روی DataFrame ها
• 17. بارگذاری و ذخیره سازی داده ها با Pandas
• 18. پاکسازی و پیش پردازش داده ها
• 19. مدیریت مقادیر گمشده
• 20. شناسایی و حذف داده های پرت
• 21. تبدیل و نرمال سازی داده ها
• 22. مقیاس بندی ویژگی ها
• 23. کدگذاری متغیرهای دسته ای
• 24. مقدمه ای بر مصورسازی داده ها
• 25. مصورسازی با Matplotlib
• 26. نمودارهای خطی و پراکندگی
• 27. نمودارهای میله ای و هیستوگرام
• 28. نمودارهای جعبه ای و ویولن
• 29. مصورسازی با Seaborn
• 30. نمودارهای آماری پیچیده
• 31. مصورسازی داده های جغرافیایی (در صورت لزوم و با چارچوب رسمی)
• 32. مقدمه ای بر یادگیری ماشین
• 33. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 34. یادگیری نظارت شده: رگرسیون و طبقه بندی
• 35. مدل های رگرسیون خطی
• 36. ارزیابی مدل های رگرسیون
• 37. مدل های رگرسیون چندجمله ای
• 38. مدل های رگرسیون درخت تصمیم
• 39. مدل های رگرسیون جنگل تصادفی
• 40. مدل های رگرسیون ماشین بردار پشتیبان (SVM)
• 41. مدل های رگرسیون شبکه های عصبی
• 42. یادگیری بدون نظارت: خوشه بندی و کاهش ابعاد
• 43. الگوریتم K-Means برای خوشه بندی
• 44. ارزیابی خوشه بندی
• 45. الگوریتم DBSCAN برای خوشه بندی
• 46. تحلیل مولفه های اصلی (PCA)
• 47. مقدمه ای بر یادگیری عمیق
• 48. شبکه های عصبی پرسپترون چندلایه (MLP)
• 49. توابع فعال سازی در شبکه های عصبی
• 50. پس انتشار خطا (Backpropagation)
• 51. شبکه های عصبی کانولوشنال (CNN)
• 52. کاربرد CNN در پردازش تصویر
• 53. شبکه های عصبی بازگشتی (RNN)
• 54. کاربرد RNN در پردازش زبان طبیعی
• 55. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 56. پیش پردازش متن
• 57. نمایش برداری متن: Bag-of-Words
• 58. نمایش برداری متن: TF-IDF
• 59. مدل های زبانی کلاسیک
• 60. یادگیری ماشین در R
• 61. مبانی R برای علم داده
• 62. ساختارهای داده در R
• 63. تابع نویسی در R
• 64. کتابخانه dplyr برای دستکاری داده ها
• 65. عملیات بر روی داده ها در R
• 66. مصورسازی با ggplot2
• 67. نمودارهای پایه در ggplot2
• 68. نمودارهای پیشرفته در ggplot2
• 69. مقدمه ای بر مدل های یادگیری ماشین در R
• 70. رگرسیون خطی در R
• 71. ارزیابی مدل های رگرسیون در R
• 72. درختان تصمیم در R
• 73. جنگل های تصادفی در R
• 74. ماشین بردار پشتیبان در R
• 75. شبکه های عصبی در R
• 76. خوشه بندی در R
• 77. تحلیل مولفه های اصلی در R
• 78. یادگیری ماشین در پایگاه داده
• 79. مقدمه ای بر پایگاه داده های رابطه‌ای
• 80. زبان SQL برای پرس و جوی داده ها
• 81. مبانی SQL
• 82. عبارات SELECT، FROM، WHERE
• 83. عبارات GROUP BY و HAVING
• 84. عبارات JOIN
• 85. مفاهیم کلیدی پایگاه داده و علم داده
• 86. مدل سازی داده ها
• 87. استخراج ویژگی از داده ها
• 88. مهندسی ویژگی
• 89. انتخاب ویژگی
• 90. ارزیابی مدل های یادگیری ماشین
• 91. معیارهای ارزیابی برای رگرسیون
• 92. معیارهای ارزیابی برای طبقه بندی
• 93. ماتریس درهم ریختگی (Confusion Matrix)
• 94. اعتبارسنجی متقابل (Cross-Validation)
• 95. تنظیم ابرپارامترها
• 96. بهینه سازی های پیشرفته
• 97. یادگیری تقویتی (مقدماتی و در چارچوب کاربردهای مجاز)
• 98. کاربرد یادگیری ماشین در اقتصاد (با چارچوب رسمی)
• 99. کاربرد یادگیری ماشین در علوم اجتماعی (با چارچوب رسمی)
• 100. اخلاق در علم داده و هوش مصنوعی