دوره جامع یادگیری ماشین و تحلیل داده‌ها با پایتون (از مقدمات تا کاربردهای صنعتی) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع یادگیری ماشین و تحلیل داده‌ها با پایتون (از مقدمات تا کاربردهای صنعتی)

موضوع کلی: علوم داده و تحلیل‌های هوشمند

موضوع میانی: یادگیری ماشین و تحلیل آماری با پایتون

📋 سرفصل‌های دوره

• 1. مبانی برنامه‌نویسی پایتون برای تحلیل داده
• 2. نصب و راه‌اندازی محیط‌های توسعه علمی
• 3. کار با کتابخانه نامپای برای محاسبات عددی
• 4. ساختار داده‌ها و کار با آرایه‌های چندبعدی
• 5. مقدمه‌ای بر کتابخانه پانداس و تحلیل جداول داده
• 6. فراخوانی و پیش‌پردازش داده‌ها از منابع مختلف
• 7. پاک‌سازی داده‌های ناقص و مدیریت مقادیر مفقود
• 8. فیلتر کردن و مرتب‌سازی داده‌ها در پانداس
• 9. تجمیع و گروه‌بندی داده‌ها برای تحلیل‌های آماری
• 10. مبانی آمار توصیفی در علوم داده
• 11. توزیع‌های آماری و مفاهیم احتمالات پایه
• 12. آزمون فرضیه‌های آماری در تحلیل داده
• 13. تجسم داده‌ها با کتابخانه مت‌پلات‌لیب
• 14. رسم نمودارهای پیشرفته با کتابخانه سی‌بورن
• 15. تحلیل همبستگی بین متغیرها
• 16. مقدمه‌ای بر یادگیری ماشین و دسته‌بندی مسائل
• 17. آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
• 18. مقیاس‌بندی ویژگی‌ها و نرمال‌سازی داده‌ها
• 19. الگوریتم رگرسیون خطی ساده
• 20. رگرسیون خطی چندگانه و ارزیابی خطا
• 21. الگوریتم رگرسیون لجستیک برای طبقه‌بندی
• 22. سنجش دقت مدل‌های طبقه‌بندی با ماتریس اغتشاش
• 23. الگوریتم نزدیک‌ترین همسایگی
• 24. درخت‌های تصمیم و شاخص‌های ناخالصی
• 25. جنگل‌های تصادفی و بهینه‌سازی مدل
• 26. ماشین بردار پشتیبان و تحلیل حاشیه
• 27. مبانی یادگیری بدون نظارت و خوشه‌بندی
• 28. خوشه‌بندی کی-مینز و تعیین تعداد بهینه خوشه‌ها
• 29. کاهش ابعاد داده‌ها با تحلیل مؤلفه‌های اصلی
• 30. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 31. ساختار پرسپترون و توابع فعال‌ساز
• 32. آموزش شبکه‌های عصبی با روش پس‌انتشار خطا
• 33. کار با کتابخانه سایکیت-لرن در پروژه‌های صنعتی
• 34. تنظیم ابرپارامترها و جلوگیری از بیش‌برازش
• 35. اعتبارسنجی متقاطع در مدل‌های یادگیری ماشین
• 36. مهندسی ویژگی‌ها برای افزایش دقت مدل
• 37. تحلیل سری‌های زمانی و پیش‌بینی روندها
• 38. کاربرد یادگیری ماشین در تحلیل داده‌های مالی
• 39. اصول اخلاق در تحلیل داده و حریم خصوصی
• 40. مستندسازی و ارائه نتایج تحلیل‌های داده‌محور
• 41. پروژه نهایی: پیاده‌سازی یک سامانه تحلیل هوشمند داده