کتاب صوتی آموزش جامع یادگیری ماشین با پایتون؛ از مبانی الگوریتمی تا پیاده‌سازی کاربردی در پروژه‌های مهندسی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع یادگیری ماشین با پایتون؛ از مبانی الگوریتمی تا پیاده‌سازی کاربردی در پروژه‌های مهندسی

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری ماشین و تحلیل داده‌های هوشمند

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و نقش آن در تحول دیجیتال
• 2. آشنایی با محیط برنامه‌نویسی پایتون برای علوم داده
• 3. معرفی کتابخانه‌های پایه NumPy و Pandas در تحلیل داده
• 4. پیش‌پردازش داده‌ها و پاک‌سازی مجموعه‌های اطلاعاتی
• 5. روش‌های استانداردسازی و نرمال‌سازی داده‌های ورودی
• 6. مفاهیم آماری پایه در یادگیری ماشین
• 7. تجسم داده‌ها و تحلیل اکتشافی با Matplotlib و Seaborn
• 8. آشنایی با الگوریتم رگرسیون خطی ساده
• 9. پیاده‌سازی رگرسیون خطی چندگانه و تحلیل همبستگی
• 10. ارزیابی دقت مدل‌های رگرسیون و مفاهیم خطا
• 11. آشنایی با الگوریتم رگرسیون لجستیک برای طبقه‌بندی
• 12. مفاهیم طبقه‌بندی باینری و چندکلاسه
• 13. ارزیابی مدل‌های طبقه‌بندی با استفاده از ماتریس درهم‌ریختگی
• 14. منحنی‌های ROC و AUC در تحلیل عملکرد مدل
• 15. الگوریتم نزدیک‌ترین همسایگی K-Nearest Neighbors
• 16. پیاده‌سازی درخت‌های تصمیم و معیارهای انشعاب
• 17. روش‌های هرس کردن درخت برای جلوگیری از بیش‌برازش
• 18. مفاهیم پایه آنسامبل‌سازی و جنگل‌های تصادفی
• 19. الگوریتم‌های تقویت گرادیان و کاربردهای آن
• 20. روش ماشین بردار پشتیبان برای جداسازی داده‌ها
• 21. کاهش ابعاد با استفاده از تحلیل مؤلفه‌های اصلی
• 22. خوشه‌بندی داده‌ها با الگوریتم K-means
• 23. روش‌های خوشه‌بندی سلسله‌مراتبی
• 24. مقدمه‌ای بر شبکه‌های عصبی مصنوعی و پرسپترون
• 25. توابع فعال‌ساز و نقش آن‌ها در یادگیری مدل
• 26. پس‌انتشار خطا و بهینه‌سازی وزن‌ها در شبکه‌های عصبی
• 27. آشنایی با چارچوب‌های یادگیری عمیق در پایتون
• 28. مدیریت بیش‌برازش و کم‌برازش در پروژه‌های مهندسی
• 29. روش‌های اعتبارسنجی متقاطع برای اطمینان از صحت مدل
• 30. تنظیم ابرپارامترها برای بهبود عملکرد الگوریتم‌ها
• 31. مقدمه‌ای بر استخراج ویژگی و مهندسی ویژگی‌ها
• 32. کاربرد یادگیری ماشین در پیش‌بینی سری‌های زمانی
• 33. تحلیل متن و پردازش زبان طبیعی با ابزارهای پایتون
• 34. کاربرد یادگیری ماشین در بهینه‌سازی فرآیندهای صنعتی
• 35. اخلاق در هوش مصنوعی و رعایت حریم خصوصی داده‌ها
• 36. استقرار مدل‌های یادگیری ماشین در محیط‌های عملیاتی
• 37. آشنایی با محیط‌های ابری برای پردازش داده‌های حجیم
• 38. ساخت خط لوله داده برای پروژه‌های هوشمند
• 39. مطالعه موردی: پیاده‌سازی یک سامانه پیش‌بینی مبتنی بر داده
• 40. اصول مستندسازی و گزارش‌دهی نتایج مدل‌های هوشمند