فلش‌کارت‌های آموزشی از پایه تا پیشرفته: یادگیری ماشین با Google Colaboratory

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از پایه تا پیشرفته: یادگیری ماشین با Google Colaboratory

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین و گوگل کولب
• 2. نصب و راه‌اندازی گوگل کولب
• 3. آشنایی با محیط گوگل کولب
• 4. اجرای کد پایتون در کولب
• 5. استفاده از کتابخانه‌های علمی پایتون
• 6. مبانی برنامه‌نویسی پایتون برای یادگیری ماشین
• 7. انواع داده‌ها در پایتون
• 8. ساختارهای داده در پایتون
• 9. دستورات شرطی و حلقه‌ها در پایتون
• 10. توابع در پایتون
• 11. مقدمه‌ای بر کتابخانه NumPy
• 12. عملیات پایه با آرایه‌های NumPy
• 13. عملیات روی ابعاد آرایه‌ها در NumPy
• 14. توابع ریاضی در NumPy
• 15. مقدمه‌ای بر کتابخانه Pandas
• 16. ساختار داده DataFrame در Pandas
• 17. خواندن و نوشتن داده‌ها با Pandas
• 18. عملیات پایه با DataFrame
• 19. فیلتر کردن و انتخاب داده‌ها در Pandas
• 20. گروه‌بندی و تجمیع داده‌ها در Pandas
• 21. پیوستن و ادغام DataFrame ها
• 22. مقدمه‌ای بر کتابخانه Matplotlib
• 23. رسم نمودارهای خطی و نقطه‌ای
• 24. رسم نمودارهای میله‌ای و هیستوگرام
• 25. تنظیمات نمودارها در Matplotlib
• 26. مقدمه‌ای بر کتابخانه Seaborn
• 27. نمودارهای آماری با Seaborn
• 28. نقشه‌های حرارتی (Heatmaps)
• 29. نمودارهای چندگانه (Pairplots)
• 30. مقدمه‌ای بر یادگیری ماشین
• 31. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 32. مجموعه داده‌ها و ویژگی‌ها
• 33. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 34. متریک‌های ارزیابی مدل‌ها
• 35. مقدمه‌ای بر رگرسیون خطی
• 36. پیاده‌سازی رگرسیون خطی با Scikit-learn
• 37. ارزیابی مدل رگرسیون خطی
• 38. مقدمه‌ای بر رگرسیون لجستیک
• 39. پیاده‌سازی رگرسیون لجستیک با Scikit-learn
• 40. ارزیابی مدل رگرسیون لجستیک
• 41. مقدمه‌ای بر ماشین‌های بردار پشتیبان (SVM)
• 42. پیاده‌سازی SVM با Scikit-learn
• 43. کاربرد SVM در طبقه‌بندی
• 44. مقدمه‌ای بر درخت‌های تصمیم
• 45. پیاده‌سازی درخت تصمیم با Scikit-learn
• 46. کاربرد درخت تصمیم در طبقه‌بندی و رگرسیون
• 47. مقدمه‌ای بر جنگل‌های تصادفی (Random Forest)
• 48. پیاده‌سازی جنگل تصادفی با Scikit-learn
• 49. مزایای جنگل تصادفی
• 50. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 51. الگوریتم K-Means
• 52. پیاده‌سازی K-Means با Scikit-learn
• 53. ارزیابی مدل‌های خوشه‌بندی
• 54. مقدمه‌ای بر کاهش ابعاد
• 55. تحلیل مولفه‌های اصلی (PCA)
• 56. پیاده‌سازی PCA با Scikit-learn
• 57. کاربرد PCA در کاهش ابعاد
• 58. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 59. ساختار شبکه‌های عصبی
• 60. لایه ورودی، لایه‌های مخفی و لایه خروجی
• 61. توابع فعال‌سازی
• 62. مقدمه‌ای بر یادگیری عمیق
• 63. چارچوب‌های یادگیری عمیق (TensorFlow, Keras)
• 64. نصب و راه‌اندازی Keras در کولب
• 65. ساخت یک شبکه عصبی ساده با Keras
• 66. آموزش شبکه عصبی با Keras
• 67. کاربرد شبکه‌های عصبی در طبقه‌بندی تصاویر
• 68. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 69. لایه کانولوشن و Pooling
• 70. ساخت یک مدل CNN ساده
• 71. آموزش مدل CNN برای تشخیص تصاویر
• 72. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 73. مفهوم حافظه در RNN
• 74. کاربرد RNN در پردازش زبان طبیعی
• 75. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 76. نمایش متنی به صورت برداری (Word Embeddings)
• 77. استفاده از کتابخانه NLTK
• 78. تحلیل احساسات با مدل‌های ساده
• 79. مقدمه‌ای بر یادگیری تقویتی
• 80. مفاهیم اصلی در یادگیری تقویتی
• 81. کاربرد یادگیری تقویتی
• 82. مقدمه‌ای بر مهندسی ویژگی
• 83. انتخاب ویژگی‌های مهم
• 84. ایجاد ویژگی‌های جدید
• 85. اعتبارسنجی متقابل (Cross-Validation)
• 86. تنظیم هایپرپارامترها (Hyperparameter Tuning)
• 87. بهینه‌سازی مدل‌ها
• 88. مقدمه‌ای بر استقرار مدل‌ها
• 89. ذخیره و بارگذاری مدل‌ها
• 90. استفاده از مدل‌های ذخیره شده
• 91. نکات پیشرفته در گوگل کولب
• 92. استفاده از GPU در گوگل کولب
• 93. مدیریت فایل‌ها در گوگل کولب
• 94. مقدمه‌ای بر اصول اخلاقی در هوش مصنوعی
• 95. حفظ حریم خصوصی داده‌ها
• 96. جلوگیری از سوگیری در مدل‌ها
• 97. کاربردهای صنعتی هوش مصنوعی
• 98. آینده یادگیری ماشین