کتاب صوتی آموزش جامع یادگیری ماشین و پردازش متن با پایتون (از مقدمات تا پیاده‌سازی کاربردی)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع یادگیری ماشین و پردازش متن با پایتون (از مقدمات تا پیاده‌سازی کاربردی)

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری ماشین و پردازش زبان طبیعی

📋 سرفصل‌های دوره

• 1. مبانی برنامه‌نویسی پایتون برای علوم داده
• 2. نصب و راه‌اندازی محیط توسعه علمی پایتون
• 3. آشنایی با کتابخانه نامپای برای محاسبات عددی
• 4. کار با کتابخانه پانداز جهت مدیریت و تحلیل داده‌ها
• 5. مصورسازی داده‌ها با استفاده از کتابخانه‌های متلب‌لیب و سی‌بورن
• 6. مفاهیم پایه در هوش مصنوعی و یادگیری ماشین
• 7. پیش‌پردازش داده‌ها و پاک‌سازی مجموعه‌های اطلاعاتی
• 8. مقیاس‌بندی و نرمال‌سازی ویژگی‌های داده
• 9. تقسیم‌بندی داده‌ها به مجموعه‌های آموزش و آزمون
• 10. یادگیری نظارت‌شده و الگوریتم رگرسیون خطی
• 11. پیاده‌سازی رگرسیون چندگانه با استفاده از سایکیت‌لرن
• 12. ارزیابی مدل‌های رگرسیون با معیارهای خطا
• 13. الگوریتم‌های طبقه‌بندی و رگرسیون لجستیک
• 14. بررسی ماتریس درهم‌ریختگی و معیارهای دقت و فراخوانی
• 15. الگوریتم نزدیک‌ترین همسایگی در طبقه‌بندی
• 16. ماشین بردار پشتیبان و کاربردهای آن
• 17. درخت تصمیم و جنگل تصادفی در حل مسائل طبقه‌بندی
• 18. مفاهیم مقدماتی یادگیری بدون نظارت و خوشه‌بندی
• 19. خوشه‌بندی کی-مینز و کاربردهای آن
• 20. کاهش ابعاد داده‌ها با استفاده از تحلیل مؤلفه‌های اصلی
• 21. مقدمه‌ای بر پردازش زبان طبیعی و اهمیت آن
• 22. پیش‌پردازش متن شامل توکن‌بندی و حذف کلمات توقف
• 23. ریشه‌یابی و نرمال‌سازی متون فارسی و انگلیسی
• 24. بردارسازی متن با روش‌های بگ‌آف‌وردز و تی‌اف-آی‌دی‌اف
• 25. آشنایی با کتابخانه اسپیسی برای پردازش زبان طبیعی
• 26. استخراج ویژگی‌های متنی در پایتون
• 27. تحلیل احساسات متون با مدل‌های یادگیری ماشین
• 28. مدل‌سازی موضوعی با استفاده از الگوریتم تخصیص دریکله نهان
• 29. شبکه‌های عصبی مصنوعی و ساختار پرسپترون
• 30. توابع فعال‌ساز و نقش آن‌ها در یادگیری عمیق
• 31. بهینه‌سازی مدل‌ها و الگوریتم گرادیان کاهشی
• 32. آشنایی با فریم‌ورک تنسورفلو و کراس
• 33. ساخت اولین شبکه عصبی برای پیش‌بینی داده‌های ساختاریافته
• 34. مدیریت بیش‌برازش در مدل‌های یادگیری عمیق
• 35. مقدمه‌ای بر شبکه‌های عصبی بازگشتی برای داده‌های ترتیبی
• 36. پردازش متون با استفاده از مدل‌های جاسازی کلمه
• 37. آشنایی با معماری ترنسفورمر و مکانیزم توجه
• 38. کاربرد مدل‌های زبانی در تحلیل متون فارسی
• 39. استفاده از مدل‌های پیش‌آموزش‌دیده برای استخراج ویژگی متن
• 40. ذخیره‌سازی و بازیابی مدل‌های آموزش‌دیده
• 41. خط لوله‌های یادگیری ماشین و اتوماسیون فرآیندها
• 42. کاربردهای یادگیری ماشین در تحلیل داده‌های صنعتی
• 43. اخلاق در هوش مصنوعی و رعایت حریم خصوصی کاربران
• 44. ارائه و استقرار مدل‌های یادگیری ماشین در محیط‌های عملیاتی
• 45. پروژه نهایی تحلیل مجموعه‌داده‌های متنی فارسی