فلش‌کارت‌های آموزشی یادگیری ماشین کاربردی با scikit-learn: از مبانی تا پیاده‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین کاربردی با scikit-learn: از مبانی تا پیاده‌سازی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین
• 2. مقدمه‌ای بر پایتون برای یادگیری ماشین
• 3. نصب و پیکربندی ابزارهای یادگیری ماشین
• 4. آشنایی با کتابخانه NumPy
• 5. آشنایی با کتابخانه Pandas
• 6. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی
• 7. مدیریت مقادیر گمشده
• 8. شناسایی و حذف داده‌های پرت
• 9. تبدیل ویژگی‌ها: نرمال‌سازی و استانداردسازی
• 10. کدگذاری ویژگی‌های دسته‌ای
• 11. انتخاب ویژگی: روش‌های مقدماتی
• 12. تقسیم داده‌ها به مجموعه‌های آموزش و آزمون
• 13. مقدمه‌ای بر مدل‌های یادگیری ماشین
• 14. یادگیری نظارت‌شده
• 15. رگرسیون خطی
• 16. ارزیابی مدل‌های رگرسیون
• 17. رگرسیون چندجمله‌ای
• 18. رگرسیون ریج و لاسو
• 19. درختان تصمیم برای رگرسیون
• 20. جنگل‌های تصادفی برای رگرسیون
• 21. ماشین‌های بردار پشتیبان (SVM) برای رگرسیون
• 22. یادگیری نظارت‌نشده
• 23. خوشه‌بندی K-Means
• 24. ارزیابی مدل‌های خوشه‌بندی
• 25. خوشه‌بندی سلسله‌مراتبی
• 26. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 27. تکنیک‌های کاهش ابعاد دیگر
• 28. مقدمه‌ای بر طبقه‌بندی
• 29. رگرسیون لجستیک
• 30. ارزیابی مدل‌های طبقه‌بندی
• 31. ماتریس درهم‌ریختگی (Confusion Matrix)
• 32. دقت (Accuracy)، صحت (Precision) و بازیابی (Recall)
• 33. امتیاز F1
• 34. منحنی ROC و AUC
• 35. درختان تصمیم برای طبقه‌بندی
• 36. جنگل‌های تصادلی برای طبقه‌بندی
• 37. ماشین‌های بردار پشتیبان (SVM) برای طبقه‌بندی
• 38. طبقه‌بندی بیز ساده (Naive Bayes)
• 39. دسته‌بندی‌کننده K نزدیک‌ترین همسایه (KNN)
• 40. یادگیری عمیق: مقدمه
• 41. شبکه‌های عصبی مصنوعی (ANN)
• 42. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی (CNN)
• 43. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 44. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 45. جستجوی شبکه‌ای (Grid Search)
• 46. جستجوی تصادفی (Random Search)
• 47. اعتبارسنجی متقابل (Cross-Validation)
• 48. مدیریت بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 49. تنظیم‌کننده L1 و L2
• 50. کاهش نرخ یادگیری (Learning Rate Decay)
• 51. روش‌های منظم‌سازی (Regularization)
• 52. مقدمه‌ای بر یادگیری تقویتی
• 53. کاربردها و مفاهیم اولیه یادگیری تقویتی
• 54. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 55. الگوریتم‌های یادگیری تقویتی: Q-Learning
• 56. الگوریتم‌های یادگیری تقویتی: SARSA
• 57. شبکه‌های عصبی عمیق برای یادگیری تقویتی
• 58. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 59. تحلیل احساسات با یادگیری ماشین
• 60. مدل‌سازی موضوعی (Topic Modeling)
• 61. کاربرد مدل‌های زبانی
• 62. مقدمه‌ای بر بینایی ماشین
• 63. شناسایی اشیاء با یادگیری ماشین
• 64. تشخیص چهره
• 65. تحلیل تصویر پزشکی با یادگیری ماشین
• 66. یادگیری ماشین در امنیت سایبری
• 67. تشخیص نفوذ
• 68. شناسایی بدافزار
• 69. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 70. کاربرد یادگیری انتقالی در بینایی ماشین
• 71. کاربرد یادگیری انتقالی در پردازش زبان طبیعی
• 72. مقدمه‌ای بر یادگیری تقویتی عمیق
• 73. کاربرد یادگیری تقویتی عمیق در رباتیک
• 74. کاربرد یادگیری تقویتی عمیق در بازی‌ها
• 75. یادگیری ماشین در سیستم‌های توصیه‌گر
• 76. فیلترینگ مشارکتی
• 77. مبتنی بر محتوا
• 78. سیستم‌های توصیه‌گر ترکیبی
• 79. مقدمه‌ای بر یادگیری فعال (Active Learning)
• 80. کاربرد یادگیری فعال در مسائل برچسب‌گذاری
• 81. یادگیری ماشین در تحلیل سری‌های زمانی
• 82. پیش‌بینی سری‌های زمانی
• 83. کاربرد در امور مالی
• 84. کاربرد در اقتصاد
• 85. مقدمه‌ای بر یادگیری چندوظیفه‌ای (Multi-task Learning)
• 86. کاربرد یادگیری چندوظیفه‌ای
• 87. مقدمه‌ای بر یادگیری فدرال (Federated Learning)
• 88. مزایا و چالش‌های یادگیری فدرال
• 89. یادگیری ماشین در بهداشت و درمان
• 90. تشخیص بیماری
• 91. پیش‌بینی شیوع بیماری
• 92. توسعه دارو
• 93. مقدمه‌ای بر اخلاق در یادگیری ماشین
• 94. سوگیری در داده‌ها و مدل‌ها
• 95. عدالت و شفافیت در هوش مصنوعی
• 96. مسئولیت‌پذیری در هوش مصنوعی
• 97. آینده یادگیری ماشین و هوش مصنوعی