دوره پایتون پیشرفته برای علم داده، یادگیری ماشین و هوش مصنوعی: از مبانی تا کاربردهای عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایتون پیشرفته برای علم داده، یادگیری ماشین و هوش مصنوعی: از مبانی تا کاربردهای عملی

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: برنامه‌نویسی پایتون برای علم داده، یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی پایتون برای علم داده
• 2. ساختار داده‌های پایتون
• 3. توابع و ماژول‌ها در پایتون
• 4. برنامه‌نویسی شیءگرا در پایتون
• 5. مدیریت خطا و استثناها
• 6. کار با فایل‌ها در پایتون
• 7. نام پای (NumPy) برای محاسبات عددی
• 8. آرایه‌های نام پای
• 9. عملیات برداری در نام پای
• 10. شاخص‌گذاری و برش آرایه‌ها
• 11. تبدیل و تغییر شکل آرایه‌ها
• 12. عملیات ریاضی و آماری با نام پای
• 13. پانداس (Pandas) برای تحلیل داده
• 14. ساختارهای داده سری و دیتافریم
• 15. عملیات بر روی دیتافریم‌ها
• 16. فیلتر کردن و انتخاب داده
• 17. گروه‌بندی و تجمیع داده
• 18. ترکیب و ادغام دیتافریم‌ها
• 19. کار با داده‌های گمشده
• 20. سری‌های زمانی در پانداس
• 21. نمایش داده‌ها با مت‌پلات‌لیب (Matplotlib)
• 22. نمودارهای پایه‌ای
• 23. نمودارهای پیشرفته
• 24. تنظیمات نمودار
• 25. نمایش چندگانه نمودارها
• 26. نمایش داده‌های سه‌بعدی
• 27. رسم نمودار با سیبورن (Seaborn)
• 28. نمودارهای آماری
• 29. نمودارهای رابطه‌ای
• 30. نمودارهای توزیعی
• 31. نمودارهای دسته‌بندی
• 32. مبانی یادگیری ماشین
• 33. انواع یادگیری ماشین
• 34. یادگیری با نظارت
• 35. یادگیری بدون نظارت
• 36. یادگیری تقویتی
• 37. پیش‌پردازش داده‌ها
• 38. پاکسازی داده‌ها
• 39. مقیاس‌بندی ویژگی‌ها
• 40. انتخاب ویژگی‌ها
• 41. کاهش ابعاد
• 42. مدل‌های رگرسیون خطی
• 43. رگرسیون لجستیک
• 44. ماشین‌های بردار پشتیبان (SVM)
• 45. درختان تصمیم
• 46. جنگل‌های تصادفی
• 47. مدل‌های خوشه‌بندی K-Means
• 48. خوشه‌بندی سلسله‌مراتبی
• 49. تحلیل مولفه‌های اصلی (PCA)
• 50. مقدمه‌ای بر شبکه‌های عصبی
• 51. ساختار شبکه‌های عصبی
• 52. توابع فعال‌سازی
• 53. پس‌انتشار خطا (Backpropagation)
• 54. بهینه‌سازی مدل‌ها
• 55. هایپرپارامترها
• 56. اعتبارسنجی متقابل (Cross-validation)
• 57. تنظیم هایپرپارامترها
• 58. مقدمه‌ای بر یادگیری عمیق
• 59. شبکه‌های عصبی کانولوشنی (CNN)
• 60. کاربرد CNN در پردازش تصویر
• 61. شبکه‌های عصبی بازگشتی (RNN)
• 62. کاربرد RNN در پردازش زبان طبیعی
• 63. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 64. ترنسفورمرها (Transformers)
• 65. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 66. توکن‌سازی و پیش‌پردازش متن
• 67. مدل‌های زبانی
• 68. تحلیل احساسات
• 69. مدل‌سازی موضوعی
• 70. کاربرد پایتون در NLP
• 71. کتابخانه‌های NLP در پایتون
• 72. مقدمه‌ای بر هوش مصنوعی مولد
• 73. مدل‌های زبانی بزرگ (LLMs)
• 74. کاربرد LLMs در تولید متن
• 75. کاربرد LLMs در ترجمه
• 76. کاربرد LLMs در خلاصه‌سازی
• 77. ملاحظات اخلاقی در هوش مصنوعی
• 78. حریم خصوصی و امنیت داده‌ها
• 79. سوگیری در مدل‌های هوش مصنوعی
• 80. تفسیرپذیری مدل‌ها
• 81. کاربردهای عملی هوش مصنوعی در صنعت
• 82. کاربرد در بهداشت و درمان
• 83. کاربرد در مالی
• 84. کاربرد در صنعت خودروسازی
• 85. کاربرد در خرده‌فروشی
• 86. کاربرد در آموزش
• 87. کاربرد در کشاورزی
• 88. کاربرد در انرژی
• 89. مقدمه‌ای بر یادگیری تقویتی در عمل
• 90. عوامل و محیط در یادگیری تقویتی
• 91. پاداش و سیاست
• 92. یادگیری Q
• 93. یادگیری عمیق تقویتی
• 94. کاربرد یادگیری تقویتی در رباتیک
• 95. کاربرد یادگیری تقویتی در بازی‌ها
• 96. کاربرد یادگیری تقویتی در بهینه‌سازی
• 97. ساخت API برای مدل‌های هوش مصنوعی
• 98. استقرار مدل‌ها در محیط عملیاتی
• 99. مانیتورینگ و به‌روزرسانی مدل‌ها
• 100. آینده هوش مصنوعی و علم داده