کتاب صوتی مبانی یادگیری ماشین با پایتون: از تئوری تا پیاده‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی یادگیری ماشین با پایتون: از تئوری تا پیاده‌سازی

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: یادگیری ماشین و داده‌کاوی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم کامپیوتر و هوش مصنوعی
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری با نظارت
• 5. رگرسیون خطی
• 6. رگرسیون لجستیک
• 7. درختان تصمیم
• 8. ماشین‌های بردار پشتیبان (SVM)
• 9. دسته‌بندی‌کننده‌های بیز ساده
• 10. تقویت گرادیان
• 11. یادگیری بدون نظارت
• 12. خوشه‌بندی K-Means
• 13. خوشه‌بندی سلسله مراتبی
• 14. تحلیل مؤلفه‌های اصلی (PCA)
• 15. کاهش ابعاد
• 16. شبکه‌های عصبی مصنوعی
• 17. مقدمه‌ای بر شبکه‌های عصبی
• 18. توابع فعال‌سازی
• 19. پس‌انتشار خطا
• 20. شبکه‌های عصبی عمیق
• 21. شبکه‌های عصبی کانولوشنال (CNN)
• 22. شبکه‌های عصبی بازگشتی (RNN)
• 23. پردازش زبان طبیعی (NLP)
• 24. مدل‌سازی موضوعی
• 25. تحلیل احساسات
• 26. سیستم‌های توصیه‌گر
• 27. یادگیری تقویتی
• 28. مبانی یادگیری تقویتی
• 29. عوامل و محیط‌ها
• 30. تابع پاداش
• 31. الگوریتم‌های Q-Learning
• 32. الگوریتم‌های Policy Gradient
• 33. کاربردها در دنیای واقعی
• 34. مقدمه‌ای بر داده‌کاوی
• 35. مراحل فرآیند داده‌کاوی
• 36. آماده‌سازی داده‌ها
• 37. پاکسازی داده‌ها
• 38. تبدیل داده‌ها
• 39. انتخاب ویژگی
• 40. آموزش مدل‌های یادگیری ماشین
• 41. ارزیابی مدل‌ها
• 42. معیارهای ارزیابی رگرسیون
• 43. معیارهای ارزیابی دسته‌بندی
• 44. اعتبارسنجی متقابل
• 45. تنظیم ابرپارامترها
• 46. یادگیری عمیق و پایتون
• 47. کتابخانه‌های پایتون برای یادگیری ماشین
• 48. NumPy برای محاسبات عددی
• 49. Pandas برای دستکاری داده‌ها
• 50. Matplotlib و Seaborn برای بصری‌سازی
• 51. Scikit-learn برای الگوریتم‌های یادگیری ماشین
• 52. TensorFlow و Keras برای شبکه‌های عصبی عمیق
• 53. PyTorch برای یادگیری عمیق
• 54. پیاده‌سازی رگرسیون خطی با پایتون
• 55. پیاده‌سازی رگرسیون لجستیک با پایتون
• 56. پیاده‌سازی درختان تصمیم با پایتون
• 57. پیاده‌سازی SVM با پایتون
• 58. پیاده‌سازی K-Means با پایتون
• 59. پیاده‌سازی PCA با پایتون
• 60. پیاده‌سازی شبکه‌های عصبی پایه با پایتون
• 61. پیاده‌سازی CNN با پایتون
• 62. پیاده‌سازی RNN با پایتون
• 63. مقدمه‌ای بر پردازش زبان طبیعی با پایتون
• 64. تحلیل متن با NLTK و spaCy
• 65. پیاده‌سازی مدل‌سازی موضوعی با پایتون
• 66. پیاده‌سازی تحلیل احساسات با پایتون
• 67. پیاده‌سازی سیستم‌های توصیه‌گر با پایتون
• 68. مقدمه‌ای بر یادگیری تقویتی با پایتون
• 69. پیاده‌سازی Q-Learning با پایتون
• 70. پیاده‌سازی Policy Gradient با پایتون
• 71. کاربردهای عملی یادگیری ماشین در صنعت
• 72. کاربرد در تحلیل داده‌های مالی
• 73. کاربرد در حوزه سلامت و پزشکی
• 74. کاربرد در تجارت الکترونیک
• 75. کاربرد در سیستم‌های هوشمند
• 76. اخلاق در هوش مصنوعی و یادگیری ماشین
• 77. سوگیری در الگوریتم‌ها
• 78. شفافیت و قابلیت تفسیر
• 79. حریم خصوصی داده‌ها
• 80. مسئولیت‌پذیری در هوش مصنوعی
• 81. آینده یادگیری ماشین و هوش مصنوعی
• 82. روندهای نوظهور
• 83. چالش‌های پیش رو
• 84. یادگیری ماشین قابل اعتماد
• 85. هوش مصنوعی سازگار با انسان
• 86. مقدمه‌ای بر مفاهیم آماری در یادگیری ماشین
• 87. احتمال و توزیع‌ها
• 88. آزمون فرض
• 89. رابطه بین آمار و یادگیری ماشین
• 90. استنتاج آماری
• 91. کاربرد یادگیری ماشین در بهینه‌سازی
• 92. بهینه‌سازی توابع
• 93. الگوریتم‌های فراابتکاری
• 94. کاربرد در مسائل تصمیم‌گیری
• 95. مدل‌سازی پیش‌بینانه در کسب‌وکار
• 96. تحلیل داده‌های کلان
• 97. تصمیم‌گیری مبتنی بر داده
• 98. مدیریت ریسک با یادگیری ماشین
• 99. فناوری‌های نوین در یادگیری ماشین
• 100. یادگیری انتقالی