فلش‌کارت‌های آموزشی مبانی یادگیری ماشین با پایتون: از تئوری تا پیاده‌سازی عملی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین با پایتون: از تئوری تا پیاده‌سازی عملی

موضوع کلی: علم داده و هوش مصنوعی

موضوع میانی: یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه بر علم داده و یادگیری ماشین
• 2. نصب و راه‌اندازی محیط توسعه پایتون
• 3. آشنایی با کتابخانه‌های کلیدی علم داده (NumPy, Pandas)
• 4. مقدمه‌ای بر ساختارهای داده در پایتون
• 5. عملیات پایه با آرایه‌های NumPy
• 6. دستکاری و تحلیل داده با Pandas DataFrames
• 7. پاکسازی و پیش‌پردازش داده‌ها
• 8. شناسایی و مدیریت مقادیر گمشده
• 9. شناسایی و مدیریت داده‌های پرت
• 10. تبدیل و نرمال‌سازی داده‌ها
• 11. مهندسی ویژگی (Feature Engineering)
• 12. انتخاب ویژگی (Feature Selection)
• 13. مقدمه‌ای بر یادگیری ماشین
• 14. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 15. ارزیابی مدل‌های یادگیری ماشین
• 16. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 17. معیارهای ارزیابی مدل‌های رگرسیون
• 18. مقدمه‌ای بر الگوریتم‌های یادگیری نظارت شده
• 19. رگرسیون خطی (Linear Regression)
• 20. تنظیم مدل رگرسیون خطی
• 21. رگرسیون چندجمله‌ای (Polynomial Regression)
• 22. رگرسیون لجستیک (Logistic Regression)
• 23. تنظیم مدل رگرسیون لجستیک
• 24. دسته‌بندی‌کننده‌های بیز ساده (Naive Bayes Classifiers)
• 25. دسته‌بندی‌کننده‌های بیز گوسی
• 26. دسته‌بندی‌کننده‌های بیز چندجمله‌ای
• 27. دسته‌بندی‌کننده‌های بیز برنولی
• 28. ماشین‌های بردار پشتیبان (Support Vector Machines - SVM)
• 29. کاربرد SVM در دسته‌بندی
• 30. کاربرد SVM در رگرسیون
• 31. درخت‌های تصمیم (Decision Trees)
• 32. ساخت و تفسیر درخت تصمیم
• 33. پارامترهای درخت تصمیم
• 34. جنگل‌های تصادفی (Random Forests)
• 35. تنظیم پارامترهای جنگل تصادفی
• 36. تقویت گرادیان (Gradient Boosting)
• 37. الگوریتم XGBoost
• 38. الگوریتم LightGBM
• 39. مقدمه‌ای بر الگوریتم‌های یادگیری بدون نظارت
• 40. خوشه‌بندی (Clustering)
• 41. الگوریتم K-Means
• 42. تنظیم پارامتر K در K-Means
• 43. خوشه‌بندی سلسله مراتبی (Hierarchical Clustering)
• 44. تحلیل مولفه‌های اصلی (Principal Component Analysis - PCA)
• 45. کاربرد PCA در کاهش ابعاد
• 46. کاهش ابعاد با t-SNE
• 47. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 48. نورون مصنوعی و لایه‌ها
• 49. توابع فعال‌سازی (Activation Functions)
• 50. پس‌انتشار خطا (Backpropagation)
• 51. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 52. پایه‌گذاری شبکه‌های عصبی با TensorFlow/Keras
• 53. ساخت یک شبکه عصبی ساده
• 54. آموزش و ارزیابی شبکه‌های عصبی
• 55. بهینه‌سازی شبکه‌های عصبی
• 56. تنظیم نرخ یادگیری
• 57. تنظیم اندازه دسته‌ها (Batch Size)
• 58. تنظیم تعداد دوره‌ها (Epochs)
• 59. روش‌های منظم‌سازی (Regularization)
• 60. Dropout
• 61. L1 و L2 Regularization
• 62. یادگیری عمیق (Deep Learning)
• 63. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNN)
• 64. کاربرد CNN در پردازش تصویر
• 65. لایه کانولوشن و Pooling
• 66. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 67. کاربرد RNN در پردازش زبان طبیعی
• 68. حافظه طولانی کوتاه مدت (LSTM)
• 69. واحد بازگشتی دروازه‌ای (GRU)
• 70. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 71. پیش‌پردازش متن
• 72. توکنیزاسیون (Tokenization)
• 73. حذف کلمات توقف (Stop Words Removal)
• 74. ریشه‌یابی (Stemming) و لماتیزاسیون (Lemmatization)
• 75. نمایش متنی (Text Representation)
• 76. مدل Bag-of-Words
• 77. مدل TF-IDF
• 78. مدل‌های جاسازی کلمه (Word Embeddings)
• 79. Word2Vec
• 80. GloVe
• 81. شبکه‌های عصبی برای NLP
• 82. کاربرد مدل‌های زبانی
• 83. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 84. مفاهیم پایه یادگیری تقویتی
• 85. عامل، محیط، پاداش
• 86. مسئله مارکوف تصمیم‌گیری (MDP)
• 87. الگوریتم‌های یادگیری تقویتی
• 88. Q-Learning
• 89. Deep Q-Networks (DQN)
• 90. مقدمه‌ای بر مدل‌های پیش‌بینی سری زمانی
• 91. شناسایی مولفه‌های سری زمانی
• 92. مدل‌های ARIMA
• 93. مدل‌های Exponential Smoothing
• 94. کاربرد یادگیری ماشین در پیش‌بینی
• 95. ارزیابی مدل‌های سری زمانی
• 96. مقدمه‌ای بر یادگیری ناهمگن (Unsupervised Learning)
• 97. کاربرد آنسامبل در یادگیری ماشین
• 98. تکنیک‌های Stacking و Blending
• 99. آموزش مدل‌های کارآمد
• 100. بهینه‌سازی مصرف حافظه