اپلیکیشن اندرویدی فلش‌کارت آموزشی مقدمه‌ای بر یادگیری ماشین با کتابخانه caret

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر یادگیری ماشین با کتابخانه caret

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری ماشین با استفاده از ابزارهای کاربردی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. مفاهیم پایه یادگیری ماشین
• 3. انواع یادگیری ماشین
• 4. یادگیری با نظارت
• 5. یادگیری بدون نظارت
• 6. یادگیری تقویتی
• 7. مجموعه داده‌ها و پیش‌پردازش
• 8. بارگذاری داده‌ها
• 9. پاکسازی داده‌ها
• 10. رسیدگی به مقادیر گمشده
• 11. تبدیل داده‌ها
• 12. استانداردسازی و نرمال‌سازی
• 13. مهندسی ویژگی
• 14. انتخاب ویژگی
• 15. استخراج ویژگی
• 16. مدل‌های یادگیری ماشین
• 17. رگرسیون خطی
• 18. رگرسیون لجستیک
• 19. ماشین‌های بردار پشتیبان (SVM)
• 20. درختان تصمیم
• 21. جنگل‌های تصادفی
• 22. تقویت گرادیان
• 23. شبکه‌های عصبی مقدماتی
• 24. معماری شبکه‌های عصبی
• 25. تابع فعال‌سازی
• 26. تابع هزینه
• 27. بهینه‌سازها
• 28. کتابخانه caret
• 29. نصب و راه‌اندازی caret
• 30. ساختار اصلی caret
• 31. آماده‌سازی داده‌ها با caret
• 32. تقسیم داده‌ها به مجموعه آموزش و آزمون
• 33. اعتبارسنجی متقابل (Cross-validation)
• 34. انتخاب بهترین مدل
• 35. تنظیم هایپرپارامترها
• 36. جستجوی شبکه‌ای (Grid Search)
• 37. جستجوی تصادفی (Random Search)
• 38. رگرسیون با caret
• 39. تنظیم مدل رگرسیون خطی با caret
• 40. تنظیم مدل رگرسیون لجستیک با caret
• 41. تنظیم مدل SVM با caret
• 42. تنظیم مدل درخت تصمیم با caret
• 43. تنظیم مدل جنگل تصادفی با caret
• 44. تنظیم مدل تقویت گرادیان با caret
• 45. طبقه‌بندی با caret
• 46. تنظیم مدل رگرسیون لجستیک برای طبقه‌بندی با caret
• 47. تنظیم مدل SVM برای طبقه‌بندی با caret
• 48. تنظیم مدل درخت تصمیم برای طبقه‌بندی با caret
• 49. تنظیم مدل جنگل تصادفی برای طبقه‌بندی با caret
• 50. تنظیم مدل تقویت گرادیان برای طبقه‌بندی با caret
• 51. مدل‌های پیشرفته در caret
• 52. دسته‌بندی چندکلاسه
• 53. ارزیابی مدل‌ها
• 54. معیارهای ارزیابی رگرسیون
• 55. میانگین مربعات خطا (MSE)
• 56. ریشه میانگین مربعات خطا (RMSE)
• 57. میانگین قدر مطلق خطا (MAE)
• 58. ضریب تعیین (R-squared)
• 59. معیارهای ارزیابی طبقه‌بندی
• 60. دقت (Accuracy)
• 61. صحت (Precision)
• 62. بازیابی (Recall)
• 63. امتیاز F1
• 64. ماتریس درهم‌ریختگی (Confusion Matrix)
• 65. منحنی ROC و AUC
• 66. کاربردها در دنیای واقعی
• 67. پیش‌بینی قیمت مسکن
• 68. تشخیص اسپم
• 69. سیستم‌های توصیه‌گر
• 70. پردازش زبان طبیعی مقدماتی
• 71. کاربرد یادگیری ماشین در تشخیص پزشکی
• 72. تحلیل احساسات
• 73. مسائل اخلاقی در یادگیری ماشین
• 74. حریم خصوصی داده‌ها
• 75. سوگیری در الگوریتم‌ها
• 76. مسئولیت‌پذیری الگوریتم‌ها
• 77. ملاحظات امنیتی در مدل‌های یادگیری ماشین
• 78. آینده یادگیری ماشین
• 79. یادگیری عمیق مقدماتی
• 80. شبکه‌های عصبی کانولوشنال (CNN)
• 81. شبکه‌های عصبی بازگشتی (RNN)
• 82. یادگیری انتقالی (Transfer Learning)
• 83. یادگیری فدرال (Federated Learning)
• 84. هوش مصنوعی قابل تفسیر (Explainable AI)
• 85. یادگیری تقویتی پیشرفته
• 86. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 87. کاربرد در رباتیک
• 88. کاربرد در بازی‌ها
• 89. یادگیری ماشین و علم داده
• 90. ابزارهای دیگر در علم داده
• 91. پایگاه داده‌ها و مدیریت داده
• 92. مصورسازی داده‌ها
• 93. اصول مهندسی نرم‌افزار در پروژه‌های یادگیری ماشین
• 94. استقرار مدل‌ها (Deployment)
• 95. مانیتورینگ و نگهداری مدل‌ها
• 96. یادگیری ماشین در ایران
• 97. چالش‌ها و فرصت‌ها
• 98. مسیر شغلی در یادگیری ماشین
• 99. منابع تکمیلی
• 100. مطالعه موردی: ساخت یک پیش‌بینی‌کننده ساده