فلش‌کارت‌های آموزشی جامع یادگیری ماشین با پایتون (Python for Machine Learning & Data Science Masterclass 3.0)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین با پایتون (Python for Machine Learning & Data Science Masterclass 3.0)

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمات و آشنایی با علم داده
• 2. نصب و پیکربندی محیط توسعه پایتون
• 3. آشنایی با کتابخانه‌های کلیدی علم داده: NumPy
• 4. کار با آرایه‌های NumPy و عملیات برداری
• 5. آشنایی با کتابخانه‌های کلیدی علم داده: Pandas
• 6. کار با دیتافریم‌ها در Pandas
• 7. پاکسازی و آماده‌سازی داده‌ها
• 8. مدیریت داده‌های گمشده
• 9. تبدیل و تغییر شکل داده‌ها
• 10. ترکیب و ادغام دیتافریم‌ها
• 11. تجسم داده‌ها با Matplotlib
• 12. نمودارهای خطی و پراکندگی
• 13. نمودارهای میله‌ای و هیستوگرام
• 14. نمودارهای جعبه‌ای و ویولن
• 15. تجسم داده‌ها با Seaborn
• 16. شبکه‌های عصبی و یادگیری عمیق
• 17. مقدمه‌ای بر یادگیری ماشین
• 18. انواع یادگیری ماشین: نظارت شده
• 19. انواع یادگیری ماشین: بدون نظارت
• 20. انواع یادگیری ماشین: تقویتی
• 21. ارزیابی مدل‌های یادگیری ماشین
• 22. معیارهای ارزیابی طبقه‌بندی
• 23. معیارهای ارزیابی رگرسیون
• 24. مهندسی ویژگی
• 25. انتخاب ویژگی
• 26. مدل‌های رگرسیون خطی
• 27. رگرسیون چندجمله‌ای
• 28. رگرسیون لجستیک
• 29. ماشین‌های بردار پشتیبان (SVM)
• 30. درختان تصمیم
• 31. جنگل‌های تصادفی
• 32. تقویت گرادیان
• 33. مدل‌های خوشه‌بندی: K-Means
• 34. خوشه‌بندی سلسله مراتبی
• 35. تحلیل مؤلفه‌های اصلی (PCA)
• 36. تکنیک‌های کاهش ابعاد
• 37. مقدمه بر پردازش زبان طبیعی (NLP)
• 38. پیش‌پردازش متن
• 39. مدل‌سازی موضوعی
• 40. تحلیل احساسات
• 41. شبکه‌های عصبی بازگشتی (RNN)
• 42. حافظه طولانی کوتاه مدت (LSTM)
• 43. شبکه‌های عصبی کانولوشنال (CNN)
• 44. کاربرد CNN در بینایی ماشین
• 45. مقدمه بر یادگیری عمیق
• 46. نصب و پیکربندی TensorFlow
• 47. ساخت مدل‌های ساده با TensorFlow
• 48. کار با لایه‌های TensorFlow
• 49. بهینه‌سازها در TensorFlow
• 50. توابع زیان در TensorFlow
• 51. مقدمه بر Keras
• 52. ساخت مدل‌های طبقه‌بندی با Keras
• 53. ساخت مدل‌های رگرسیون با Keras
• 54. مدیریت داده‌های حجیم
• 55. مقدمه بر سیستم‌های توصیه‌گر
• 56. فیلترینگ مشارکتی
• 57. فیلترینگ مبتنی بر محتوا
• 58. یادگیری عمیق برای سیستم‌های توصیه‌گر
• 59. مقدمه بر یادگیری تقویتی
• 60. عناصر یادگیری تقویتی
• 61. الگوریتم‌های یادگیری تقویتی
• 62. شبکه‌های عصبی عمیق در یادگیری تقویتی
• 63. کاربردهای عملی یادگیری ماشین
• 64. کاربرد در حوزه سلامت
• 65. کاربرد در حوزه مالی
• 66. کاربرد در حوزه بازاریابی
• 67. کاربرد در حوزه تشخیص تقلب
• 68. کاربرد در حوزه پیش‌بینی سری‌های زمانی
• 69. مقدمه بر یادگیری انتقالی
• 70. تکنیک‌های یادگیری انتقالی
• 71. کاربرد یادگیری انتقالی در NLP
• 72. کاربرد یادگیری انتقالی در بینایی ماشین
• 73. مدل‌های زبانی بزرگ (LLMs)
• 74. مقدمه بر مدل‌های ترنسفورمر
• 75. کاربرد ترنسفورمرها در NLP
• 76. مباحث اخلاقی در هوش مصنوعی
• 77. سوگیری در داده‌ها و مدل‌ها
• 78. مسئولیت‌پذیری در هوش مصنوعی
• 79. امنیت و حریم خصوصی در هوش مصنوعی
• 80. مقدمه بر هوش مصنوعی قابل توضیح (XAI)
• 81. تکنیک‌های XAI
• 82. کاربرد XAI در مدل‌های یادگیری ماشین
• 83. مقدمه بر یادگیری فدرال
• 84. ملاحظات حریم خصوصی در یادگیری فدرال
• 85. کاربرد یادگیری فدرال
• 86. مقدمه بر یادگیری خودنظارتی
• 87. تکنیک‌های یادگیری خودنظارتی
• 88. کاربرد یادگیری خودنظارتی
• 89. مقدمه بر یادگیری با داده‌های کم
• 90. تکنیک‌های یادگیری با داده‌های کم
• 91. کاربرد یادگیری با داده‌های کم
• 92. مقدمه بر یادگیری چندوظیفه‌ای
• 93. تکنیک‌های یادگیری چندوظیفه‌ای
• 94. کاربرد یادگیری چندوظیفه‌ای
• 95. مقدمه بر یادگیری تقویتی عمیق
• 96. تکنیک‌های یادگیری تقویتی عمیق
• 97. کاربرد یادگیری تقویتی عمیق
• 98. مقدمه بر یادگیری مبتنی بر گراف
• 99. شبکه‌های عصبی مبتنی بر گراف
• 100. کاربرد شبکه‌های عصبی مبتنی بر گراف