فلش‌کارت‌های آموزشی مقدمه‌ای جامع بر کتابخانه Scikit-learn برای یادگیری ماشین در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای جامع بر کتابخانه Scikit-learn برای یادگیری ماشین در پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. آشنایی با هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر پایتون برای علم داده
• 3. نصب و راه‌اندازی محیط توسعه پایتون
• 4. مبانی کتابخانه NumPy برای محاسبات عددی
• 5. مبانی کتابخانه Pandas برای تحلیل داده
• 6. مبانی کتابخانه Matplotlib برای بصری‌سازی داده
• 7. مقدمه‌ای بر کتابخانه Scikit-learn
• 8. انواع وظایف یادگیری ماشین
• 9. یادگیری نظارت‌شده و بدون نظارت
• 10. مجموعه داده‌ها و تقسیم‌بندی آن‌ها
• 11. پیش‌پردازش داده‌ها: پاک‌سازی داده‌های گم‌شده
• 12. پیش‌پردازش داده‌ها: مقیاس‌بندی ویژگی‌ها
• 13. پیش‌پردازش داده‌ها: کدگذاری متغیرهای طبقه‌ای
• 14. مدل‌های یادگیری ماشین: رگرسیون خطی
• 15. ارزیابی مدل‌های رگرسیون: خطای میانگین مربعات
• 16. ارزیابی مدل‌های رگرسیون: ضریب تعیین
• 17. مدل‌های یادگیری ماشین: رگرسیون لجستیک
• 18. ارزیابی مدل‌های طبقه‌بندی: ماتریس درهم‌ریختگی
• 19. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت و بازیابی
• 20. ارزیابی مدل‌های طبقه‌بندی: امتیاز F1
• 21. مدل‌های یادگیری ماشین: ماشین‌های بردار پشتیبان (SVM)
• 22. تنظیم ابرپارامترها در SVM
• 23. مدل‌های یادگیری ماشین: درختان تصمیم
• 24. تنظیم ابرپارامترها در درختان تصمیم
• 25. مدل‌های یادگیری ماشین: جنگل‌های تصادفی
• 26. تنظیم ابرپارامترها در جنگل‌های تصادفی
• 27. مدل‌های یادگیری ماشین: تقویت گرادیان (Gradient Boosting)
• 28. تنظیم ابرپارامترها در تقویت گرادیان
• 29. مدل‌های یادگیری ماشین: K-نزدیک‌ترین همسایگان (KNN)
• 30. تنظیم ابرپارامترها در KNN
• 31. مدل‌های یادگیری ماشین: خوشه‌بندی K-Means
• 32. ارزیابی مدل‌های خوشه‌بندی: شاخص سیلوئت
• 33. مدل‌های یادگیری ماشین: خوشه‌بندی سلسله‌مراتبی
• 34. مدل‌های یادگیری ماشین: تحلیل مولفه اصلی (PCA)
• 35. کاهش ابعاد با PCA
• 36. مدل‌های یادگیری ماشین: تحلیل تشخیص خطی (LDA)
• 37. یادگیری عمیق: مقدمه‌ای بر شبکه‌های عصبی
• 38. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 39. آموزش شبکه‌های عصبی با Scikit-learn
• 40. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 41. کار با متن در Scikit-learn
• 42. بردارسازی متن: کیس کلمات (Bag-of-Words)
• 43. بردارسازی متن: TF-IDF
• 44. مدل‌های NLP: طبقه‌بندی متن
• 45. مدل‌های NLP: خوشه‌بندی متن
• 46. مدل‌های یادگیری ماشین برای پیش‌بینی سری‌های زمانی
• 47. مقدمه‌ای بر یادگیری تقویتی
• 48. مفاهیم اساسی یادگیری تقویتی
• 49. کاربرد یادگیری تقویتی در رباتیک
• 50. کاربرد یادگیری تقویتی در بازی‌ها
• 51. مقدمه‌ای بر یادگیری نیمه‌نظارت‌شده
• 52. مقدمه‌ای بر یادگیری انتقالی
• 53. تنظیم مدل‌ها: اعتبارسنجی متقابل
• 54. تنظیم مدل‌ها: جستجوی شبکه‌ای (Grid Search)
• 55. تنظیم مدل‌ها: جستجوی تصادفی (Random Search)
• 56. تشخیص ناهنجاری با Scikit-learn
• 57. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 58. فیلترینگ مشارکتی در سیستم‌های توصیه‌گر
• 59. فیلترینگ مبتنی بر محتوا در سیستم‌های توصیه‌گر
• 60. ارزیابی سیستم‌های توصیه‌گر
• 61. ملاحظات اخلاقی در یادگیری ماشین
• 62. حریم خصوصی داده‌ها در یادگیری ماشین
• 63. سوگیری در الگوریتم‌های یادگیری ماشین
• 64. تفسیرپذیری مدل‌های یادگیری ماشین
• 65. روش‌های تفسیرپذیری: LIME
• 66. روش‌های تفسیرپذیری: SHAP
• 67. یادگیری ماشین در عمل: پروژه‌های کاربردی
• 68. تحلیل احساسات با یادگیری ماشین
• 69. پیش‌بینی قیمت مسکن
• 70. تشخیص اسپم در ایمیل‌ها
• 71. تشخیص تصویر با Scikit-learn (مقدماتی)
• 72. یادگیری ماشین برای تشخیص ناهنجاری در داده‌های صنعتی
• 73. یادگیری ماشین برای بهینه‌سازی فرآیندها
• 74. یادگیری ماشین در حوزه بهداشت و درمان
• 75. یادگیری ماشین در حوزه مالی
• 76. یادگیری ماشین در حوزه بازاریابی
• 77. ساخت پایپ‌لاین در Scikit-learn
• 78. استقرار مدل‌های یادگیری ماشین
• 79. مقدمه‌ای بر MLOps (عملیات یادگیری ماشین)
• 80. مبانی محاسبات ابری برای یادگیری ماشین
• 81. استفاده از Docker برای استقرار مدل
• 82. مقدمه‌ای بر فریم‌ورک‌های یادگیری عمیق (TensorFlow, PyTorch)
• 83. مقایسه Scikit-learn با فریم‌ورک‌های یادگیری عمیق
• 84. آینده یادگیری ماشین
• 85. یادگیری ماشین قابل اعتماد
• 86. یادگیری ماشین سبز (Green AI)
• 87. تکنیک‌های پیشرفته پیش‌پردازش داده
• 88. روش‌های نوین انتخاب ویژگی
• 89. مدل‌های ترکیبی (Ensemble Methods) پیشرفته
• 90. یادگیری ماشین توزیع‌شده
• 91. امنیت در یادگیری ماشین
• 92. یادگیری ماشین و داده‌های حجیم (Big Data)
• 93. کاربرد Scikit-learn در پروژه‌های واقعی
• 94. نکات تکمیلی و بهترین شیوه‌ها
• 95. منابع تکمیلی برای یادگیری ماشین