کتاب صوتی ساخت پروژه‌های جامع یادگیری ماشین از ابتدا تا انتها با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت پروژه‌های جامع یادگیری ماشین از ابتدا تا انتها با پایتون

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پروژه‌های کاربردی یادگیری ماشین با پایتون

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. محیط توسعه پایتون و ابزارهای لازم
• 5. نصب و پیکربندی کتابخانه‌های کلیدی (NumPy, Pandas, Scikit-learn)
• 6. مراحل یک پروژه یادگیری ماشین
• 7. جمع‌آوری و آماده‌سازی داده‌ها
• 8. پاکسازی داده‌ها و مدیریت مقادیر گمشده
• 9. مهندسی ویژگی و انتخاب ویژگی
• 10. دسته‌بندی داده‌ها و برچسب‌گذاری
• 11. آموزش مدل‌های رگرسیون خطی
• 12. ارزیابی مدل‌های رگرسیون
• 13. آموزش مدل‌های رگرسیون لجستیک
• 14. ارزیابی مدل‌های دسته‌بندی
• 15. معرفی الگوریتم درخت تصمیم
• 16. کاربرد درخت تصمیم در مسائل واقعی
• 17. آموزش الگوریتم ماشین بردار پشتیبان (SVM)
• 18. تنظیم پارامترها در SVM
• 19. معرفی الگوریتم جنگل تصادفی
• 20. کاربرد جنگل تصادفی در پیش‌بینی
• 21. آموزش الگوریتم K-نزدیکترین همسایه (KNN)
• 22. تنظیم پارامتر K در KNN
• 23. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 24. معماری شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 25. آموزش شبکه‌های عصبی با الگوریتم پس‌انتشار خطا
• 26. کاربرد شبکه‌های عصبی در مسائل دسته‌بندی
• 27. آموزش مدل‌های خوشه‌بندی K-Means
• 28. ارزیابی مدل‌های خوشه‌بندی
• 29. روش‌های کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA)
• 30. کاربرد PCA در پیش‌پردازش داده‌ها
• 31. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 32. کاربرد NLP در تحلیل متن
• 33. تکنیک‌های پیش‌پردازش متن (توکنایز کردن، حذف کلمات توقف)
• 34. مدل‌سازی موضوعی با LDA
• 35. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 36. معماری شبکه‌های عصبی کانولوشنی (CNN)
• 37. کاربرد CNN در بینایی ماشین
• 38. آموزش مدل‌های CNN برای طبقه‌بندی تصاویر
• 39. معماری شبکه‌های عصبی بازگشتی (RNN)
• 40. کاربرد RNN در پردازش توالی
• 41. آموزش مدل‌های RNN برای پیش‌بینی سری زمانی
• 42. مقدمه‌ای بر سیستم‌های توصیه‌گر
• 43. روش‌های مبتنی بر محتوا در سیستم‌های توصیه‌گر
• 44. روش‌های مبتنی بر همکاری فیلترینگ در سیستم‌های توصیه‌گر
• 45. پیاده‌سازی یک سیستم توصیه‌گر ساده
• 46. مقدمه‌ای بر یادگیری تقویتی
• 47. مفاهیم اصلی یادگیری تقویتی (عامل، محیط، پاداش)
• 48. الگوریتم‌های Q-Learning
• 49. کاربرد یادگیری تقویتی در رباتیک
• 50. مقدمه‌ای بر استقرار مدل‌های یادگیری ماشین
• 51. روش‌های استقرار مدل در محیط‌های واقعی
• 52. بسته‌بندی مدل‌ها (Pickling, Joblib)
• 53. ساخت API برای مدل‌ها با Flask
• 54. مقدمه‌ای بر MLOps
• 55. اصول و چرخه حیات MLOps
• 56. نظارت بر عملکرد مدل در تولید
• 57. بازآموزی و به‌روزرسانی مدل‌ها
• 58. مقدمه‌ای بر داده‌های ساختاریافته و غیرساختاریافته
• 59. کاربرد داده‌های ساختاریافته در یادگیری ماشین
• 60. کاربرد داده‌های غیرساختاریافته در یادگیری ماشین
• 61. مقدمه‌ای بر پردازش سیگنال
• 62. کاربرد پردازش سیگنال در تحلیل داده‌ها
• 63. نمونه‌برداری و بازسازی سیگنال
• 64. تبدیل فوریه و کاربردهای آن
• 65. مقدمه‌ای بر تحلیل سری‌های زمانی
• 66. شناسایی الگو در سری‌های زمانی
• 67. پیش‌بینی سری‌های زمانی با مدل‌های ARIMA
• 68. کاربرد مدل‌های ARIMA در مسائل مالی
• 69. مقدمه‌ای بر یادگیری نیمه‌نظارت شده
• 70. روش‌های یادگیری نیمه‌نظارت شده
• 71. کاربرد یادگیری نیمه‌نظارت شده در برچسب‌گذاری داده‌ها
• 72. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 73. کاربرد یادگیری انتقالی در مسائل کم‌داده
• 74. فرایند تنظیم دقیق (Fine-tuning) مدل‌های از پیش آموزش دیده
• 75. مقدمه‌ای بر تشخیص ناهنجاری (Anomaly Detection)
• 76. الگوریتم‌های تشخیص ناهنجاری
• 77. کاربرد تشخیص ناهنجاری در امنیت سایبری
• 78. مقدمه‌ای بر پردازش تصویر
• 79. فیلترهای تصویر و کاربردهای آن‌ها
• 80. استخراج ویژگی از تصاویر
• 81. مقدمه‌ای بر بینایی کامپیوتر
• 82. تشخیص اشیاء در تصاویر
• 83. تقسیم‌بندی تصاویر
• 84. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 85. کاربرد LLMs در تولید متن
• 86. تنظیم دقیق LLMs برای وظایف خاص
• 87. مقدمه‌ای بر اخلاق در هوش مصنوعی
• 88. مسائل اخلاقی در توسعه و استفاده از هوش مصنوعی
• 89. سوگیری در مدل‌های هوش مصنوعی و راه‌های مقابله با آن
• 90. شفافیت و توضیح‌پذیری در هوش مصنوعی
• 91. مقدمه‌ای بر امنیت هوش مصنوعی
• 92. حملات متخاصم به مدل‌های یادگیری ماشین
• 93. روش‌های دفاع در برابر حملات متخاصم
• 94. مقدمه‌ای بر هوش مصنوعی مولد
• 95. تولید تصویر با مدل‌های GAN
• 96. تولید متن با مدل‌های مولد
• 97. مقدمه‌ای بر یادگیری چندوجهی (Multimodal Learning)
• 98. ترکیب اطلاعات از منابع مختلف
• 99. کاربرد یادگیری چندوجهی در درک بهتر محیط
• 100. مقدمه‌ای بر هوش مصنوعی قابل اعتماد