کتاب صوتی جامع یادگیری ماشین با پایتون و R برای علم داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین با پایتون و R برای علم داده

موضوع کلی: علوم کامپیوتر و داده

موضوع میانی: یادگیری ماشین و علم داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و یادگیری ماشین
• 2. نصب و راه‌اندازی محیط توسعه پایتون
• 3. مبانی برنامه‌نویسی پایتون برای علم داده
• 4. کار با کتابخانه NumPy برای محاسبات عددی
• 5. کار با کتابخانه Pandas برای تحلیل داده
• 6. تجسم داده‌ها با Matplotlib و Seaborn
• 7. مقدمه‌ای بر آمار و احتمال در علم داده
• 8. انواع یادگیری ماشین: نظارت شده و بدون نظارت
• 9. یادگیری ماشین نظارت شده: رگرسیون خطی
• 10. یادگیری ماشین نظارت شده: رگرسیون چندجمله‌ای
• 11. یادگیری ماشین نظارت شده: مدل‌های درخت تصمیم
• 12. یادگیری ماشین نظارت شده: جنگل‌های تصادفی
• 13. یادگیری ماشین نظارت شده: ماشین‌های بردار پشتیبان (SVM)
• 14. یادگیری ماشین نظارت شده: رگرسیون لجستیک
• 15. یادگیری ماشین نظارت شده: شبکه‌های عصبی مقدماتی
• 16. یادگیری ماشین نظارت شده: طبقه‌بندی K-نزدیک‌ترین همسایه (KNN)
• 17. یادگیری ماشین نظارت شده: طبقه‌بندی نایو بیز
• 18. ارزیابی مدل‌های رگرسیون: معیارهای MSE و MAE
• 19. ارزیابی مدل‌های طبقه‌بندی: دقت، صحت و بازیابی
• 20. مقدمه‌ای بر یادگیری ماشین بدون نظارت
• 21. خوشه‌بندی: الگوریتم K-Means
• 22. خوشه‌بندی: خوشه‌بندی سلسله مراتبی
• 23. کاهش ابعاد: تحلیل مولفه‌های اصلی (PCA)
• 24. مقدمه‌ای بر یادگیری عمیق
• 25. شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر
• 26. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 27. کار با کتابخانه Scikit-learn برای پیاده‌سازی مدل‌ها
• 28. پیش‌پردازش داده‌ها: پاکسازی و مدیریت داده‌های گمشده
• 29. پیش‌پردازش داده‌ها: نرمال‌سازی و استانداردسازی
• 30. پیش‌پردازش داده‌ها: کدگذاری متغیرهای دسته‌ای
• 31. انتخاب ویژگی و مهندسی ویژگی
• 32. تنظیم هایپرپارامتر مدل‌ها
• 33. اعتبارسنجی متقابل (Cross-Validation)
• 34. تشخیص و مدیریت بیش‌برازش (Overfitting)
• 35. تشخیص و مدیریت کم‌برازش (Underfitting)
• 36. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 37. کار با کتابخانه NLTK برای NLP
• 38. کار با کتابخانه SpaCy برای NLP
• 39. مدل‌سازی موضوعی با LDA
• 40. تحلیل احساسات با پایتون
• 41. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 42. پیاده‌سازی سیستم توصیه‌گر مبتنی بر فیلترینگ محتوا
• 43. پیاده‌سازی سیستم توصیه‌گر مبتنی بر فیلترینگ مشارکتی
• 44. مقدمه‌ای بر یادگیری تقویتی
• 45. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 46. کار با کتابخانه TensorFlow برای یادگیری عمیق
• 47. کار با کتابخانه Keras برای یادگیری عمیق
• 48. کار با کتابخانه PyTorch برای یادگیری عمیق
• 49. یادگیری ماشین در عمل: تحلیل داده‌های بازار سهام
• 50. یادگیری ماشین در عمل: پیش‌بینی تقاضا
• 51. یادگیری ماشین در عمل: تشخیص ناهنجاری
• 52. یادگیری ماشین در عمل: پردازش تصویر پزشکی
• 53. کار با داده‌های بزرگ و مفاهیم مرتبط
• 54. مقدمه‌ای بر مفاهیم Big Data
• 55. مقدمه‌ای بر Spark برای پردازش داده‌های بزرگ
• 56. مقدمه‌ای بر Hadoop
• 57. مقدمه‌ای بر مفاهیم Data Warehousing
• 58. مقدمه‌ای بر مفاهیم Data Lake
• 59. مقدمه‌ای بر معماری‌های کلان داده
• 60. اخلاق در علم داده و هوش مصنوعی
• 61. حریم خصوصی داده‌ها و امنیت
• 62. مسئولیت‌پذیری در هوش مصنوعی
• 63. مقدمه‌ای بر مبانی اقتصاد و کاربرد آن در علم داده
• 64. مبانی بانکداری بدون ربا و کاربرد آن
• 65. عقود اسلامی در معاملات مالی
• 66. مقررات بانک مرکزی جمهوری اسلامی ایران در حوزه رمزارزها
• 67. مبانی فقهی معاملات و قراردادها
• 68. احکام شرعی مرتبط با داده‌ها و اطلاعات
• 69. مفاهیم کلامی در نسبت علم و دین
• 70. عرفان اسلامی و ابعاد معنوی داده‌ها
• 71. روانشناسی خانواده ایرانی-اسلامی
• 72. روابط بین فردی در چارچوب خانواده
• 73. مدیریت تعارض در خانواده
• 74. نقش فناوری در تحکیم خانواده
• 75. تاریخ تحولات علم و فناوری در ایران
• 76. سیاست‌گذاری علم و فناوری در جمهوری اسلامی ایران
• 77. روابط بین‌الملل در حوزه علم و فناوری
• 78. علوم پزشکی در جمهوری اسلامی ایران
• 79. پروتکل‌های وزارت بهداشت در حوزه سلامت
• 80. مبانی طب سنتی و مکمل ایرانی
• 81. بررسی رویکردهای نوین در درمان
• 82. مقدمه‌ای بر تجزیه و تحلیل داده‌های سری زمانی
• 83. مدل‌های ARIMA برای تحلیل سری زمانی
• 84. مدل‌های پیش‌بینی با استفاده از شبکه‌های عصبی
• 85. تحلیل شبکه‌های اجتماعی با پایتون
• 86. مقدمه‌ای بر سیستم‌های اطلاعات جغرافیایی (GIS)
• 87. کار با داده‌های مکانی و جغرافیایی
• 88. مقدمه‌ای بر یادگیری ماشین با R
• 89. مقایسه پایتون و R در علم داده
• 90. مقدمه‌ای بر ابزارهای بصری‌سازی پیشرفته
• 91. ساخت داشبوردهای تعاملی با Tableau
• 92. ساخت داشبوردهای تعاملی با Power BI
• 93. مقدمه‌ای بر مهندسی ویژگی برای داده‌های متنی
• 94. مقدمه‌ای بر یادگیری انتقال (Transfer Learning)
• 95. بهینه‌سازی مدل‌ها برای استقرار
• 96. مقدمه‌ای بر یادگیری تقویتی عمیق
• 97. مقدمه‌ای بر هوش مصنوعی مولد
• 98. کار با مدل‌های زبان بزرگ (LLMs)
• 99. ملاحظات امنیتی در پیاده‌سازی مدل‌های یادگیری ماشین
• 100. مقدمه‌ای بر مفاهیم DevOps برای علم داده