دوره یادگیری ماشین کاربردی با Scikit-learn در پایتون همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین کاربردی با Scikit-learn در پایتون

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و کاربردهای آن
• 2. نصب و راه‌اندازی محیط پایتون و کتابخانه‌های لازم
• 3. آشنایی با کتابخانه Scikit-learn
• 4. مفاهیم پایه در یادگیری ماشین: داده‌ها، ویژگی‌ها و برچسب‌ها
• 5. انواع یادگیری ماشین: نظارت‌شده، بدون نظارت و تقویتی
• 6. پیش‌پردازش داده‌ها: پاکسازی و مدیریت داده‌های گمشده
• 7. پیش‌پردازش داده‌ها: مقیاس‌بندی ویژگی‌ها (Scaling)
• 8. پیش‌پردازش داده‌ها: کدگذاری متغیرهای دسته‌ای (Encoding)
• 9. کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 10. کاهش ابعاد: تجزیه و تحلیل تفکیکی خطی (LDA)
• 11. شناخت الگوریتم‌های طبقه‌بندی (Classification)
• 12. رگرسیون خطی (Linear Regression)
• 13. رگرسیون لجستیک (Logistic Regression)
• 14. ماشین‌های بردار پشتیبان (SVM)
• 15. درختان تصمیم (Decision Trees)
• 16. جنگل‌های تصادفی (Random Forests)
• 17. دسته‌بندی‌کننده‌های Naive Bayes
• 18. دسته‌بندی‌کننده‌های K-نزدیک‌ترین همسایه (KNN)
• 19. متریک‌های ارزیابی مدل‌های طبقه‌بندی: دقت (Accuracy)
• 20. متریک‌های ارزیابی مدل‌های طبقه‌بندی: ماتریس درهم‌ریختگی (Confusion Matrix)
• 21. متریک‌های ارزیابی مدل‌های طبقه‌بندی: دقت (Precision) و بازیابی (Recall)
• 22. متریک‌های ارزیابی مدل‌های طبقه‌بندی: امتیاز F1
• 23. متریک‌های ارزیابی مدل‌های طبقه‌بندی: منحنی ROC و AUC
• 24. شناخت الگوریتم‌های رگرسیون (Regression)
• 25. رگرسیون چندجمله‌ای (Polynomial Regression)
• 26. رگرسیون ریج (Ridge Regression)
• 27. رگرسیون لاسو (Lasso Regression)
• 28. متریک‌های ارزیابی مدل‌های رگرسیون: خطای میانگین مربعات (MSE)
• 29. متریک‌های ارزیابی مدل‌های رگرسیون: ریشه خطای میانگین مربعات (RMSE)
• 30. متریک‌های ارزیابی مدل‌های رگرسیون: خطای میانگین مطلق (MAE)
• 31. متریک‌های ارزیابی مدل‌های رگرسیون: ضریب تعیین (R-squared)
• 32. یادگیری بدون نظارت (Unsupervised Learning)
• 33. خوشه‌بندی (Clustering)
• 34. الگوریتم K-Means
• 35. خوشه‌بندی سلسله‌مراتبی (Hierarchical Clustering)
• 36. خوشه‌بندی DBSCAN
• 37. ارزیابی مدل‌های خوشه‌بندی: ضریب سیلوئت (Silhouette Coefficient)
• 38. قوانین انجمنی (Association Rules)
• 39. الگوریتم Apriori
• 40. متریک‌های ارزیابی قوانین انجمنی: پشتیبانی (Support) و اطمینان (Confidence)
• 41. یادگیری تقویتی (Reinforcement Learning) - مقدماتی
• 42. مفاهیم پایه در یادگیری تقویتی: عامل، محیط، پاداش
• 43. مدل‌های یادگیری تقویتی: Q-Learning
• 44. مدل‌های یادگیری تقویتی: Deep Q-Networks (DQN)
• 45. پردازش زبان طبیعی (NLP) - مقدماتی
• 46. پردازش متن: توکن‌سازی (Tokenization)
• 47. پردازش متن: حذف کلمات توقف (Stop Words)
• 48. پردازش متن: ریشه‌یابی کلمات (Stemming) و لماتیزاسیون (Lemmatization)
• 49. بردار سازی متن: Bag-of-Words (BoW)
• 50. بردار سازی متن: TF-IDF
• 51. ساخت مدل‌های طبقه‌بندی متن
• 52. ساخت مدل‌های تحلیل احساسات (Sentiment Analysis)
• 53. شبکه‌های عصبی مصنوعی (Artificial Neural Networks) - مقدماتی
• 54. مفهوم نورون و لایه‌ها
• 55. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 56. توابع فعال‌سازی (Activation Functions)
• 57. روش پس‌انتشار خطا (Backpropagation)
• 58. بهینه‌سازی مدل‌های شبکه‌های عصبی
• 59. بهینه‌سازهای رایج: SGD، Adam
• 60. تنظیم فراپارامترها (Hyperparameter Tuning)
• 61. اعتبارسنجی متقابل (Cross-Validation)
• 62. جستجوی شبکه‌ای (Grid Search)
• 63. جستجوی تصادفی (Random Search)
• 64. مدیریت مدل‌ها و ذخیره‌سازی
• 65. کار با داده‌های واقعی و مسائل عملی
• 66. مثال کاربردی: پیش‌بینی قیمت مسکن
• 67. مثال کاربردی: تشخیص اسپم در ایمیل‌ها
• 68. مثال کاربردی: دسته‌بندی تصاویر (مقدماتی)
• 69. مثال کاربردی: سیستم‌های توصیه‌گر (مقدماتی)
• 70. ملاحظات اخلاقی در یادگیری ماشین
• 71. حریم خصوصی داده‌ها و امنیت
• 72. سوگیری در الگوریتم‌ها و راه‌های مقابله
• 73. تفسیرپذیری مدل‌ها (Model Interpretability)
• 74. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 75. شبکه‌های عصبی کانولوشنی (CNN) - مقدماتی
• 76. شبکه‌های عصبی بازگشتی (RNN) - مقدماتی
• 77. کاربرد یادگیری عمیق در پردازش تصویر
• 78. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 79. مقدمه‌ای بر یادگیری ماشین در حوزه داده‌های سری زمانی
• 80. پیش‌بینی سری زمانی با مدل‌های آماری
• 81. پیش‌بینی سری زمانی با مدل‌های یادگیری ماشین
• 82. کاربرد Scikit-learn در تحلیل داده‌های سری زمانی
• 83. مقدمه‌ای بر یادگیری ماشین در حوزه داده‌های گراف
• 84. مفاهیم پایه در داده‌های گراف
• 85. کاربرد یادگیری ماشین در تحلیل شبکه‌های اجتماعی
• 86. مقدمه‌ای بر یادگیری ماشین در حوزه داده‌های مکانی-زمانی
• 87. تحلیل داده‌های مکانی-زمانی
• 88. مقدمه‌ای بر مهندسی ویژگی (Feature Engineering)
• 89. تکنیک‌های پیشرفته مهندسی ویژگی
• 90. روش‌های ترکیب مدل‌ها (Ensemble Methods)
• 91. تقویت گرادیان (Gradient Boosting)
• 92. مدل XGBoost
• 93. مدل LightGBM
• 94. مقدمه‌ای بر یادگیری ماشین توزیع‌شده (Distributed Machine Learning)
• 95. مقدمه‌ای بر MLOps (Machine Learning Operations)
• 96. پایش و نگهداری مدل‌های یادگیری ماشین
• 97. توسعه پایدار و مسئولانه در یادگیری ماشین
• 98. مرور بر آخرین روندها در یادگیری ماشین