فلش‌کارت‌های آموزشی یادگیری ماشین با پایتون و Scikit-Learn: مبانی و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین با پایتون و Scikit-Learn: مبانی و کاربردها

موضوع کلی: هوش مصنوعی و علم داده

موضوع میانی: یادگیری ماشین و پیاده‌سازی آن

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و هوش مصنوعی
• 2. مفاهیم بنیادی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. نصب و پیکربندی محیط پایتون برای علم داده
• 5. معرفی کتابخانه Scikit-Learn
• 6. آشنایی با ساختار داده ها در پایتون (NumPy, Pandas)
• 7. پیش پردازش داده ها: پاکسازی و مدیریت مقادیر گمشده
• 8. پیش پردازش داده ها: کدگذاری متغیرهای دسته ای
• 9. پیش پردازش داده ها: مقیاس بندی و نرمال سازی ویژگی ها
• 10. انتخاب ویژگی: روش های مقدماتی
• 11. انتخاب ویژگی: روش های مبتنی بر مدل
• 12. مدل های یادگیری ماشین: رگرسیون خطی
• 13. ارزیابی مدل های رگرسیون: معیارهای خطای رایج
• 14. مدل های یادگیری ماشین: رگرسیون لجستیک
• 15. ارزیابی مدل های طبقه بندی: ماتریس درهم ریختگی
• 16. ارزیابی مدل های طبقه بندی: دقت، صحت، بازیابی
• 17. ارزیابی مدل های طبقه بندی: امتیاز F1 و منحنی ROC
• 18. مدل های یادگیری ماشین: ماشین بردار پشتیبان (SVM)
• 19. تنظیم ابر پارامترها در SVM
• 20. مدل های یادگیری ماشین: درخت های تصمیم
• 21. برش و هرس درختان تصمیم
• 22. مدل های یادگیری ماشین: جنگل های تصادفی
• 23. تنظیم ابر پارامترها در جنگل های تصادفی
• 24. مدل های یادگیری ماشین: تقویت گرادیان (Gradient Boosting)
• 25. مدل های یادگیری ماشین: XGBoost
• 26. مدل های یادگیری ماشین: LightGBM
• 27. مدل های یادگیری ماشین: K-نزدیکترین همسایه (KNN)
• 28. خوشه بندی: الگوریتم K-Means
• 29. خوشه بندی: ارزیابی کیفیت خوشه ها
• 30. کاهش ابعاد: تحلیل مولفه های اصلی (PCA)
• 31. کاهش ابعاد: t-Distributed Stochastic Neighbor Embedding (t-SNE)
• 32. مدل های یادگیری ماشین: شبکه های عصبی مقدماتی
• 33. مقدمه ای بر یادگیری عمیق
• 34. مفاهیم لایه ها و توابع فعال سازی در شبکه های عصبی
• 35. تابع هزینه و بهینه سازی در شبکه های عصبی
• 36. آموزش شبکه های عصبی: گرادیان کاهشی و انواع آن
• 37. تنظیم نرخ یادگیری و اندازه دسته
• 38. تنظیم ابر پارامترها در شبکه های عصبی
• 39. مدیریت بیش برازش (Overfitting) و کم برازش (Underfitting)
• 40. تکنیک های منظم سازی (Regularization): L1 و L2
• 41. تکنیک های منظم سازی: Dropout
• 42. اعتبارسنجی متقابل (Cross-Validation)
• 43. اعتبارسنجی متقابل K-Fold
• 44. تنظیم ابر پارامترها با استفاده از جستجوی شبکه ای (Grid Search)
• 45. تنظیم ابر پارامترها با استفاده از جستجوی تصادفی (Random Search)
• 46. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 47. بردار سازی متون: Bag-of-Words
• 48. بردار سازی متون: TF-IDF
• 49. مدل های یادگیری ماشین برای طبقه بندی متون
• 50. مدل های یادگیری ماشین برای تحلیل احساسات
• 51. مقدمه ای بر سیستم های توصیه گر
• 52. فیلترینگ مبتنی بر محتوا در سیستم های توصیه گر
• 53. فیلترینگ مشارکتی در سیستم های توصیه گر
• 54. مقدمه ای بر یادگیری تقویتی
• 55. مفاهیم پایه در یادگیری تقویتی: عامل، محیط، پاداش
• 56. الگوریتم های یادگیری تقویتی: Q-Learning
• 57. کاربردها و ملاحظات اخلاقی در هوش مصنوعی
• 58. حفظ حریم خصوصی در علم داده
• 59. امنیت داده ها و مدل های هوش مصنوعی
• 60. مقدمه ای بر یادگیری ناظر با Scikit-Learn
• 61. پیاده سازی رگرسیون خطی با Scikit-Learn
• 62. پیاده سازی رگرسیون لجستیک با Scikit-Learn
• 63. پیاده سازی SVM با Scikit-Learn
• 64. پیاده سازی درخت تصمیم با Scikit-Learn
• 65. پیاده سازی جنگل تصادفی با Scikit-Learn
• 66. پیاده سازی KNN با Scikit-Learn
• 67. پیاده سازی K-Means با Scikit-Learn
• 68. پیاده سازی PCA با Scikit-Learn
• 69. تکنیک های پیش پردازش داده ها با Scikit-Learn
• 70. ارزیابی مدل ها با Scikit-Learn
• 71. تنظیم ابر پارامترها با Scikit-Learn
• 72. مدیریت داده های نامتوازن (Imbalanced Data)
• 73. روش های نمونه برداری برای داده های نامتوازن
• 74. مدل های یادگیری ماشین برای سری های زمانی
• 75. پیش بینی سری های زمانی با مدل های ساده
• 76. استفاده از Scikit-Learn برای پیش بینی سری های زمانی
• 77. مقدمه ای بر یادگیری عمیق با TensorFlow/Keras (اختیاری)
• 78. ساخت یک شبکه عصبی ساده با Keras
• 79. آموزش و ارزیابی شبکه عصبی با Keras
• 80. مقدمه ای بر مفاهیم مدل های زبانی بزرگ (LLMs)
• 81. کاربردهای LLMs در پردازش زبان طبیعی
• 82. ملاحظات امنیتی در پیاده سازی مدل های هوش مصنوعی
• 83. ملاحظات اخلاقی در توسعه و استفاده از هوش مصنوعی
• 84. تفسیرپذیری مدل های هوش مصنوعی (Explainable AI)
• 85. ابزارهای بصری سازی داده ها و نتایج مدل
• 86. اصول کدنویسی تمیز و قابل نگهداری در علم داده
• 87. مدیریت پروژه های علم داده
• 88. مقدمه ای بر کاربردهای عملی هوش مصنوعی در صنعت
• 89. هوش مصنوعی در حوزه سلامت و پزشکی
• 90. هوش مصنوعی در حوزه مالی و بانکداری
• 91. هوش مصنوعی در حوزه تولید و صنعت
• 92. هوش مصنوعی در حوزه آموزش
• 93. هوش مصنوعی در حوزه کشاورزی
• 94. آینده هوش مصنوعی و چالش های پیش رو
• 95. مروری بر منابع و جامعه علمی هوش مصنوعی