کتاب صوتی جامع یادگیری ماشین و علم داده: از مبانی تا تسلط

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین و علم داده: از مبانی تا تسلط

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: هوش مصنوعی و یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و یادگیری ماشین
• 2. مبانی ریاضیات برای علم داده
• 3. آمار و احتمال در علم داده
• 4. مبانی برنامه‌نویسی پایتون برای علم داده
• 5. ساختار داده‌ها و الگوریتم‌های پایه
• 6. کار با کتابخانه‌های پایتون: NumPy و Pandas
• 7. تجسم داده‌ها با Matplotlib و Seaborn
• 8. اصول پاکسازی و پیش‌پردازش داده‌ها
• 9. مدل‌سازی داده‌های گمشده
• 10. شناسایی و مدیریت داده‌های پرت (Outliers)
• 11. مبانی یادگیری ماشین: نظارت شده و بدون نظارت
• 12. رگرسیون خطی
• 13. رگرسیون لجستیک
• 14. دسته‌بندی با ماشین بردار پشتیبان (SVM)
• 15. درختان تصمیم
• 16. جنگل‌های تصادفی (Random Forests)
• 17. گرادیان بوستینگ (Gradient Boosting)
• 18. خوشه‌بندی K-Means
• 19. تحلیل مؤلفه‌های اصلی (PCA)
• 20. مقدمه‌ای بر شبکه‌های عصبی
• 21. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 22. توابع فعال‌سازی در شبکه‌های عصبی
• 23. تابع هزینه و بهینه‌سازی
• 24. روش‌های پس‌انتشار خطا (Backpropagation)
• 25. شبکه‌های عصبی کانولوشنی (CNN)
• 26. کاربرد CNN در تشخیص تصویر
• 27. شبکه‌های عصبی بازگشتی (RNN)
• 28. کاربرد RNN در پردازش زبان طبیعی
• 29. حافظه طولانی کوتاه‌مدت (LSTM)
• 30. شبکه‌های عصبی ترنسفورمر
• 31. یادگیری عمیق برای پردازش تصویر
• 32. یادگیری عمیق برای پردازش زبان طبیعی
• 33. مقدمه‌ای بر یادگیری تقویتی
• 34. الگوریتم‌های یادگیری تقویتی پایه
• 35. کاربرد یادگیری تقویتی در رباتیک
• 36. مبانی علم داده در عمل
• 37. چرخه حیات پروژه علم داده
• 38. تعریف مسئله و جمع‌آوری داده
• 39. اکتشاف و تحلیل داده (EDA)
• 40. انتخاب و مهندسی ویژگی
• 41. انتخاب مدل و آموزش
• 42. ارزیابی و اعتبارسنجی مدل
• 43. بهینه‌سازی پارامترهای مدل
• 44. استقرار مدل در محیط عملیاتی
• 45. پایش و نگهداری مدل
• 46. کاربرد علم داده در کسب‌وکار
• 47. تحلیل ریسک اعتباری
• 48. پیش‌بینی تقاضا
• 49. شخصی‌سازی خدمات
• 50. تحلیل احساسات مشتریان
• 51. مقدمه‌ای بر کلان داده (Big Data)
• 52. معماری‌های کلان داده
• 53. کار با Apache Spark
• 54. کار با Hadoop
• 55. مبانی پردازش توزیع‌شده
• 56. امنیت داده‌ها و حریم خصوصی
• 57. اخلاق در علم داده و هوش مصنوعی
• 58. سوگیری در الگوریتم‌ها و راه‌های مقابله
• 59. تفسیرپذیری مدل‌های یادگیری ماشین
• 60. کاربرد هوش مصنوعی در بهداشت و درمان
• 61. کاربرد هوش مصنوعی در آموزش
• 62. کاربرد هوش مصنوعی در صنعت
• 63. کاربرد هوش مصنوعی در کشاورزی
• 64. پردازش زبان طبیعی (NLP) پیشرفته
• 65. مدل‌سازی موضوعی (Topic Modeling)
• 66. تحلیل شبکه‌های اجتماعی
• 67. ربات‌های گفتگو (Chatbots)
• 68. سیستم‌های توصیه‌گر (Recommender Systems)
• 69. یادگیری انتقال (Transfer Learning)
• 70. یادگیری نیمه‌نظارت شده (Semi-Supervised Learning)
• 71. یادگیری خودنظارت شده (Self-Supervised Learning)
• 72. یادگیری چندوظیفه‌ای (Multi-Task Learning)
• 73. یادگیری فدرال (Federated Learning)
• 74. مقدمه‌ای بر یادگیری عمیق مولد
• 75. شبکه‌های مولد تخاصمی (GANs)
• 76. کاربرد GANs در تولید تصویر
• 77. مدل‌های زبانی بزرگ (LLMs)
• 78. کاربرد LLMs در تولید متن
• 79. مبانی یادگیری ماشین در پلتفرم‌های ابری
• 80. استفاده از خدمات ابری برای علم داده
• 81. هوش مصنوعی توزیع‌شده و ابر
• 82. مقدمه‌ای بر هوش مصنوعی اخلاقی
• 83. مسئولیت‌پذیری در هوش مصنوعی
• 84. شفافیت در سیستم‌های هوش مصنوعی
• 85. کاربرد هوش مصنوعی در توسعه پایدار
• 86. پروژه‌های عملی علم داده و یادگیری ماشین
• 87. ساخت یک سیستم توصیه‌گر ساده
• 88. پیاده‌سازی یک مدل تشخیص تصویر
• 89. توسعه یک چت‌بات پایه
• 90. تحلیل داده‌های سری زمانی
• 91. مقدمه‌ای بر پردازش سیگنال
• 92. کاربرد یادگیری ماشین در پردازش سیگنال
• 93. مقدمه‌ای بر بینایی ماشین
• 94. مبانی پردازش تصویر دیجیتال
• 95. مبانی یادگیری ماشین در فین‌تک
• 96. تحلیل بازار سهام با یادگیری ماشین
• 97. مدیریت پرتفوی با هوش مصنوعی
• 98. مقدمه‌ای بر یادگیری عمیق در رباتیک
• 99. اصول کنترل رباتیک با یادگیری ماشین
• 100. پروژه‌های پیشرفته یادگیری ماشین