کتاب صوتی Google Colaboratory: دروازه‌ای به سوی علوم داده و یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Colaboratory: دروازه‌ای به سوی علوم داده و یادگیری ماشین

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Google Colaboratory

📋 سرفصل‌های دوره

• 1. آشنایی با گوگل کُلَب و محیط آن
• 2. نصب و راه‌اندازی اولیه گوگل کُلَب
• 3. مفاهیم پایهٔ برنامه‌نویسی پایتون در کُلَب
• 4. انواع سلول‌ها و نحوهٔ استفاده از آن‌ها
• 5. اجرای دستورات پایتون و نمایش خروجی
• 6. کار با متغیرها و انواع داده در پایتون
• 7. ساختارهای کنترلی: دستورات شرطی (if, elif, else)
• 8. ساختارهای کنترلی: حلقه‌ها (for, while)
• 9. کار با توابع در پایتون
• 10. مدیریت خطاها و استثناها (try, except)
• 11. مقدمه‌ای بر کتابخانه‌های پایتون
• 12. نصب و وارد کردن کتابخانه‌های مورد نیاز
• 13. کار با NumPy برای محاسبات عددی
• 14. آرایه‌ها و عملیات بر روی آن‌ها در NumPy
• 15. مقدمه‌ای بر Pandas برای تحلیل داده
• 16. ساختار داده DataFrame در Pandas
• 17. بارگذاری داده‌ها از فایل‌های CSV و Excel
• 18. پاکسازی و پیش‌پردازش داده‌ها در Pandas
• 19. مدیریت مقادیر گمشده (Missing Values)
• 20. تکنیک‌های انتخاب و فیلتر کردن داده‌ها
• 21. عملیات گروه‌بندی و تجمیع داده‌ها
• 22. ترکیب و ادغام DataFrameها
• 23. مقدمه‌ای بر Matplotlib برای بصری‌سازی داده
• 24. رسم نمودارهای خطی و پراکندگی
• 25. رسم نمودارهای میله‌ای و هیستوگرام
• 26. تنظیمات پیشرفتهٔ نمودارها در Matplotlib
• 27. مقدمه‌ای بر Seaborn برای بصری‌سازی جذاب‌تر
• 28. نمودارهای توزیع و آماری با Seaborn
• 29. بصری‌سازی داده‌های طبقه‌بندی شده
• 30. کار با رنگ‌ها و استایل‌ها در بصری‌سازی
• 31. مقدمه‌ای بر یادگیری ماشین
• 32. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 33. مفاهیم پایه: ویژگی (Feature) و برچسب (Label)
• 34. انتخاب مجموعه داده مناسب برای آموزش
• 35. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 36. مقدمه‌ای بر الگوریتم‌های یادگیری نظارت شده
• 37. رگرسیون خطی ساده
• 38. رگرسیون خطی چندگانه
• 39. ارزیابی مدل‌های رگرسیون (MSE, R-squared)
• 40. مقدمه‌ای بر طبقه‌بندی
• 41. رگرسیون لجستیک
• 42. دسته‌بندی‌کننده‌های Naive Bayes
• 43. ماشین‌های بردار پشتیبان (SVM) - مقدماتی
• 44. درخت‌های تصمیم (Decision Trees)
• 45. ارزیابی مدل‌های طبقه‌بندی (Accuracy, Precision, Recall)
• 46. ماتریس درهم‌ریختگی (Confusion Matrix)
• 47. مقدمه‌ای بر یادگیری بدون نظارت
• 48. خوشه‌بندی (Clustering)
• 49. الگوریتم K-Means
• 50. ارزیابی مدل‌های خوشه‌بندی
• 51. کاهش ابعاد (Dimensionality Reduction)
• 52. تحلیل مولفه‌های اصلی (PCA)
• 53. کاربرد PCA در تحلیل داده
• 54. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 55. نورون مصنوعی و توابع فعال‌سازی
• 56. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 57. فرآیند آموزش شبکه‌های عصبی: انتشار رو به جلو
• 58. فرآیند آموزش شبکه‌های عصبی: انتشار رو به عقب (Backpropagation)
• 59. بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 60. آموزش مدل‌های طبقه‌بندی با شبکه‌های عصبی
• 61. آموزش مدل‌های رگرسیون با شبکه‌های عصبی
• 62. مقدمه‌ای بر کتابخانه TensorFlow
• 63. ساختار TensorFlow و تنسورها
• 64. ایجاد مدل‌های ساده با TensorFlow/Keras
• 65. آموزش و ارزیابی مدل‌ها با Keras API
• 66. کار با لایه‌های مختلف در Keras
• 67. استفاده از توابع فعال‌سازی در Keras
• 68. تنظیم پارامترهای بهینه‌ساز (Optimizer)
• 69. مقدمه‌ای بر کتابخانه PyTorch
• 70. ساختار PyTorch و تِنسورها
• 71. ایجاد مدل‌های ساده با PyTorch
• 72. آموزش و ارزیابی مدل‌ها با PyTorch
• 73. تفاوت‌های کلیدی TensorFlow و PyTorch
• 74. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 75. کار با متن و توکن‌سازی
• 76. نمایش متن به صورت عددی (Bag-of-Words, TF-IDF)
• 77. استفاده از NLTK برای پردازش متن
• 78. مقدمه‌ای بر Word Embeddings (Word2Vec, GloVe)
• 79. کار با مدل‌های زبانی ساده
• 80. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 81. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 82. شبکه‌های حافظه کوتاه مدت (GRU)
• 83. کاربرد RNN, LSTM, GRU در NLP
• 84. مقدمه‌ای بر بینایی ماشین
• 85. کار با تصاویر در پایتون
• 86. پیش‌پردازش تصاویر برای یادگیری ماشین
• 87. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 88. لایه‌های کانولوشن و Pooling
• 89. ساختار CNN برای طبقه‌بندی تصاویر
• 90. آموزش و ارزیابی مدل‌های CNN
• 91. انتقال یادگیری (Transfer Learning) با مدل‌های از پیش آموزش دیده
• 92. کاربرد CNN در تشخیص اشیاء
• 93. مقدمه‌ای بر مدل‌های تولیدی
• 94. شبکه‌های مولد تخاصمی (GANs) - مقدماتی
• 95. استفاده از کُلَب برای پروژه‌های عملی
• 96. ذخیره‌سازی و بارگذاری مدل‌ها
• 97. اشتراک‌گذاری کد و نتایج در کُلَب
• 98. بهینه‌سازی عملکرد کد در کُلَب
• 99. کاربرد کُلَب در پروژه‌های دانشگاهی و تحقیقاتی
• 100. مباحث پیشرفته‌تر در علوم داده و یادگیری ماشین