کتاب صوتی مبانی تحلیل داده و یادگیری ماشین در IBM

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تحلیل داده و یادگیری ماشین در IBM

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: تحلیل داده‌های پیشرفته و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مبانی علوم داده در IBM
• 2. جمع‌آوری و پاکسازی داده‌ها
• 3. اکتشاف و بصری‌سازی داده‌ها
• 4. مقدمه‌ای بر یادگیری ماشین
• 5. انواع یادگیری ماشین: نظارت‌شده و بدون نظارت
• 6. رگرسیون خطی و منطقی
• 7. مدل‌های درخت تصمیم
• 8. جنگل‌های تصادفی
• 9. ماشین‌های بردار پشتیبان (SVM)
• 10. خوشه‌بندی K-Means
• 11. تحلیل مولفه‌های اصلی (PCA)
• 12. کاهش ابعاد
• 13. ارزیابی مدل‌های یادگیری ماشین
• 14. معیارهای ارزیابی رگرسیون
• 15. معیارهای ارزیابی طبقه‌بندی
• 16. اعتبارسنجی متقابل
• 17. تنظیم فراپارامترها
• 18. مقدمه‌ای بر شبکه‌های عصبی
• 19. شبکه‌های عصبی پرسپترون چندلایه
• 20. شبکه‌های عصبی کانولوشنال (CNN)
• 21. شبکه‌های عصبی بازگشتی (RNN)
• 22. یادگیری عمیق
• 23. کاربرد یادگیری عمیق در پردازش تصویر
• 24. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 25. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 26. کلمات کلیدی و استخراج اطلاعات
• 27. تحلیل احساسات
• 28. مدل‌سازی موضوعی
• 29. ترجمه ماشینی
• 30. تشخیص موجودیت نام‌گذاری شده (NER)
• 31. مقدمه‌ای بر یادگیری تقویتی
• 32. عوامل و محیط‌ها در یادگیری تقویتی
• 33. یادگیری Q
• 34. یادگیری مبتنی بر سیاست
• 35. شبکه‌های عصبی عمیق برای یادگیری تقویتی
• 36. کاربرد یادگیری تقویتی
• 37. مقدمه‌ای بر داده‌های سری زمانی
• 38. پیش‌پردازش داده‌های سری زمانی
• 39. مدل‌سازی سری زمانی: ARIMA
• 40. مدل‌سازی سری زمانی: Exponential Smoothing
• 41. شبکه‌های عصبی برای سری زمانی
• 42. پیش‌بینی سری زمانی
• 43. مقدمه‌ای بر داده‌های مکانی-زمانی
• 44. تحلیل داده‌های مکانی
• 45. تحلیل داده‌های زمانی
• 46. ترکیب داده‌های مکانی و زمانی
• 47. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 48. فیلترینگ مبتنی بر محتوا
• 49. فیلترینگ مشارکتی
• 50. سیستم‌های توصیه‌گر ترکیبی
• 51. ارزیابی سیستم‌های توصیه‌گر
• 52. مقدمه‌ای بر تحلیل شبکه
• 53. مفاهیم پایه در تحلیل شبکه
• 54. مدل‌سازی شبکه
• 55. تحلیل گره‌ها و یال‌ها
• 56. شاخص‌های مرکزیت در شبکه
• 57. شناسایی جامعه در شبکه
• 58. کاربرد تحلیل شبکه
• 59. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 60. معماری‌های داده‌های بزرگ: Hadoop
• 61. معماری‌های داده‌های بزرگ: Spark
• 62. پردازش داده‌های بزرگ با Spark
• 63. ذخیره‌سازی داده‌های بزرگ
• 64. امنیت داده‌های بزرگ
• 65. ملاحظات اخلاقی در علوم داده
• 66. حریم خصوصی داده‌ها
• 67. سوگیری در الگوریتم‌ها
• 68. مسئولیت‌پذیری در هوش مصنوعی
• 69. کاربرد علوم داده در صنعت
• 70. کاربرد علوم داده در بهداشت و درمان
• 71. کاربرد علوم داده در امور مالی
• 72. کاربرد علوم داده در بازاریابی
• 73. کاربرد علوم داده در حمل و نقل
• 74. کاربرد علوم داده در دولت
• 75. مقدمه‌ای بر ابزارهای علوم داده در IBM
• 76. IBM Watson Studio
• 77. IBM SPSS Modeler
• 78. IBM Data Refinery
• 79. IBM Cognos Analytics
• 80. توسعه مدل‌های پیش‌بینی در IBM
• 81. پیاده‌سازی مدل‌های یادگیری ماشین در IBM
• 82. ارزیابی و استقرار مدل‌ها در IBM
• 83. داده‌کاوی و تحلیل پیشرفته
• 84. تکنیک‌های پیشرفته رگرسیون
• 85. تکنیک‌های پیشرفته طبقه‌بندی
• 86. مدل‌سازی پیش‌بینانه در IBM
• 87. هوش تجاری و تحلیل داده
• 88. مقدمه‌ای بر داده‌کاوی
• 89. الگوهای تداعی
• 90. قوانین تداعی
• 91. طبقه‌بندی داده‌ها
• 92. مدل‌های پیش‌بینی
• 93. تحلیل داده‌های حجیم
• 94. فناوری‌های کلان داده
• 95. معماری‌های کلان داده
• 96. پردازش جریان داده
• 97. یادگیری ماشین توزیع‌شده
• 98. کاربردها و چالش‌های کلان داده
• 99. اخلاق در علم داده
• 100. حریم خصوصی و امنیت داده