کتاب صوتی 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: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و تحلیل داده

📋 سرفصل‌های دوره

• 1. مبانی علوم کامپیوتر برای یادگیری ماشین
• 2. مقدمه‌ای بر زبان پایتون و ابزارهای آن
• 3. ساختارهای داده در پایتون
• 4. الگوریتم‌های پایه و تحلیل پیچیدگی
• 5. مقدمه ای بر علم داده و یادگیری ماشین
• 6. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 7. پیش‌پردازش داده‌ها: پاکسازی و نرمال‌سازی
• 8. مهندسی ویژگی: انتخاب و استخراج ویژگی
• 9. ماتریس‌ها و عملیات بر روی آن‌ها در پایتون
• 10. آمار توصیفی برای تحلیل داده
• 11. احتمالات و توزیع‌های آماری
• 12. مقدمه ای بر جبر خطی برای یادگیری ماشین
• 13. نمودارهای پراکندگی و همبستگی
• 14. رگرسیون خطی ساده
• 15. ارزیابی مدل رگرسیون خطی
• 16. رگرسیون خطی چندگانه
• 17. تنظیم مدل: بیش‌برازش و کم‌برازش
• 18. رگولاریزاسیون: L1 و L2
• 19. رگرسیون لجستیک برای مسائل طبقه‌بندی
• 20. تابع سیگموئید و تفسیر نتایج
• 21. آستانه تصمیم‌گیری و معیارهای ارزیابی
• 22. مقدمه ای بر ماشین‌های بردار پشتیبان (SVM)
• 23. هسته‌های SVM: خطی، چندجمله‌ای، RBF
• 24. کاربرد SVM در طبقه‌بندی
• 25. درخت‌های تصمیم
• 26. قوانین استخراج شده از درخت‌های تصمیم
• 27. روش‌های بهبود درخت‌های تصمیم: هرس کردن
• 28. جنگل‌های تصادفی (Random Forests)
• 29. تقویت گرادیان (Gradient Boosting)
• 30. مقدمه ای بر الگوریتم‌های خوشه‌بندی
• 31. K-Means Clustering
• 32. ارزیابی خوشه‌بندی
• 33. خوشه‌بندی سلسله مراتبی
• 34. مقدمه ای بر کاهش ابعاد
• 35. تحلیل مؤلفه‌های اصلی (PCA)
• 36. کاربرد PCA در بصری‌سازی داده
• 37. تحلیل افتراقی خطی (LDA)
• 38. مقدمه ای بر پردازش زبان طبیعی (NLP)
• 39. تکنیک‌های پیش‌پردازش متن
• 40. مدل‌سازی موضوعی: LDA (Latent Dirichlet Allocation)
• 41. بردارسازی متن: Bag-of-Words
• 42. بردارسازی متن: TF-IDF
• 43. مقدمه ای بر شبکه‌های عصبی مصنوعی
• 44. نورون مصنوعی و توابع فعال‌سازی
• 45. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 46. پس‌انتشار خطا (Backpropagation)
• 47. بهینه‌سازها: گرادیان کاهشی تصادفی (SGD)
• 48. بهینه‌سازها: Adam، RMSprop
• 49. شبکه‌های عصبی کانولوشنی (CNN)
• 50. لایه‌های کانولوشن و پولینگ
• 51. کاربرد CNN در تشخیص تصویر
• 52. شبکه‌های عصبی بازگشتی (RNN)
• 53. حافظه کوتاه مدت و بلند مدت (LSTM)
• 54. کاربرد RNN در تحلیل سری‌های زمانی
• 55. شبکه‌های عصبی ترنسفورمر
• 56. مکانیزم توجه (Attention Mechanism)
• 57. مقدمه ای بر یادگیری تقویتی
• 58. عامل، محیط، پاداش
• 59. روش‌های یادگیری تقویتی: مبتنی بر ارزش
• 60. روش‌های یادگیری تقویتی: مبتنی بر سیاست
• 61. یادگیری Q (Q-Learning)
• 62. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 63. مقدمه ای بر سیستم‌های توصیه‌گر
• 64. فیلترینگ مبتنی بر محتوا
• 65. فیلترینگ مشارکتی
• 66. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 67. ارزیابی سیستم‌های توصیه‌گر
• 68. مقدمه ای بر یادگیری انتقالی (Transfer Learning)
• 69. تنظیم دقیق مدل‌های از پیش آموزش دیده
• 70. کاربرد یادگیری انتقالی در NLP و بینایی کامپیوتر
• 71. مقدمه ای بر یادگیری نیمه‌نظارت شده
• 72. روش‌های یادگیری نیمه‌نظارت شده
• 73. مقدمه ای بر یادگیری خودنظارت شده
• 74. کاربرد یادگیری خودنظارت شده
• 75. تکنیک‌های بصری‌سازی داده‌ها در پایتون (Matplotlib, Seaborn)
• 76. رسم نمودارهای خطی، میله‌ای، هیستوگرام
• 77. رسم نمودارهای پراکندگی و جعبه‌ای
• 78. بصری‌سازی ماتریس همبستگی
• 79. مقدمه ای بر اعتبارسنجی متقابل (Cross-Validation)
• 80. اعتبارسنجی K-Fold
• 81. ارزیابی مدل: دقت، صحت، بازیابی، F1-Score
• 82. منحنی ROC و AUC
• 83. مقدمه ای بر مدل‌های آنسامبل
• 84. تکنیک Bagging
• 85. تکنیک Boosting
• 86. مقدمه ای بر یادگیری غیرقابل توضیح (Explainable AI - XAI)
• 87. روش‌های توضیح‌پذیری مدل
• 88. کاربرد XAI در مسائل حیاتی
• 89. مقدمه ای بر داده‌های بزرگ (Big Data) و پلتفرم‌های مرتبط
• 90. مقدمه ای بر مفاهیم پایگاه داده رابطه‌ای
• 91. مقدمه ای بر مفاهیم پایگاه داده NoSQL
• 92. اصول اخلاقی در علم داده و یادگیری ماشین
• 93. حریم خصوصی داده‌ها و امنیت اطلاعات
• 94. کاربرد یادگیری ماشین در حل مسائل کاربردی
• 95. پروژه‌های عملی یادگیری ماشین با پایتون
• 96. مقدمه ای بر آینده یادگیری ماشین و هوش مصنوعی
• 97. نکات پیشرفته در مهندسی ویژگی
• 98. تنظیم و بهینه‌سازی هایپرپارامترها
• 99. معرفی کتابخانه‌های پیشرفته یادگیری ماشین