آموزش تسلط بر علم داده: کامل بوت کمپ علوم داده 2025

سرفصل ها و درس ها

ماژول های علم داده - مقدمه و بررسی اجمالی Data Science Modules - Introduction and Brief Overview

• چه چیزی را پوشش خواهیم داد What Will We Cover

• ماژول 1: جمع آوری داده ها - بنیاد علم داده Module 1: Data Collection – The Foundation of Data Science

• Mod 2: پاکسازی و پیش پردازش داده ها - تبدیل داده های خام به بینش های قابل استفاده Mod 2: Data Cleaning and Preprocessing– Turning Raw Data into Usable Insights

• ماژول 3: کاوش و تجزیه و تحلیل داده ها (EDA) Module 3: Data Exploration and Analysis (EDA)

• ماژول 4: مهندسی ویژگی - تبدیل داده ها به بینش Module 4: Feature Engineering – Transforming Data into Insights

• ماژول 5: تجسم داده ها - ارتباط موثر بینش Module 5: Data Visualization – Communicating Insights Effectively

• ماژول 6: یادگیری ماشین و مدل سازی - ساخت سیستم های هوشمند Module 6: Machine Learning and Modeling – Building Intelligent Systems

• ماژول 7: ارزیابی و اعتبارسنجی مدل - اطمینان از پیش بینی های قابل اعتماد Module 7: Model Evaluation and Validation – Ensuring Reliable Predictions

• ماژول 8: استقرار مدل - زنده کردن مدل های یادگیری ماشینی Module 8: Model Deployment –Bringing Machine Learning Models to Life

• ماژول 9: فناوری های کلان داده - مدیریت و تجزیه و تحلیل مجموعه داده های عظیم Module 9: Big Data Technologies– Managing and Analyzing Massive Datasets

• ماژول 10: اخلاق و حاکمیت داده - هوش مصنوعی و شیوه های داده مسئول Module 10: Data Ethics and Governance –Responsible AI and Data Practices

• ماژول 11: درک کسب و کار و تخصص دامنه Module 11: Business Understanding and Domain Expertise

• مد 12: ارتباطات و داستان سرایی - تبدیل داده ها به روایت های تأثیرگذار Mod 12: Communication and Storytelling– Turning Data into Impactful Narratives

• بعدی: Bootcamp Deep Dive Whats Next: Bootcamp Deep Dive

هفته 1: مبانی برنامه نویسی پایتون Week 1: Python Programming Basics

• مقدمه ای بر مبانی برنامه نویسی پایتون هفته اول Introduction to Week 1 Python Programming Basics

• روز اول: آشنایی با پایتون و راه اندازی توسعه Day 1: Introduction to Python and Development Setup

• روز دوم: کنترل جریان در پایتون Day 2: Control Flow in Python

• روز 3: توابع و ماژول ها Day 3: Functions and Modules

• روز 4: ساختارهای داده (فهرست ها، تاپل ها، دیکشنری ها، مجموعه ها) Day 4: Data Structures (Lists, Tuples, Dictionaries, Sets)

• روز پنجم: کار با رشته ها Day 5: Working with Strings

• روز ششم: رسیدگی به پرونده Day 6: File Handling

• روز هفتم: کد پایتونیک و کار پروژه Day 7: Pythonic Code and Project Work

• تمرین کدنویسی Coding Exercise

هفته 2: ملزومات علم داده Week 2: Data Science Essentials

• مقدمه هفته 2 ضروریات علم داده Introduction to Week 2 Data Science Essentials

• روز 1: مقدمه ای بر NumPy برای محاسبات عددی Day 1: Introduction to NumPy for Numerical Computing

• روز 2: عملیات پیشرفته NumPy Day 2: Advanced NumPy Operations

• روز سوم: معرفی پانداها برای دستکاری داده ها Day 3: Introduction to Pandas for Data Manipulation

• روز چهارم: پاکسازی و آماده سازی داده ها با پانداها Day 4: Data Cleaning and Preparation with Pandas

• روز پنجم: جمع آوری و گروه بندی داده ها در پانداها Day 5: Data Aggregation and Grouping in Pandas

• روز ششم: تجسم داده ها با Matplotlib و Seaborn Day 6: Data Visualization with Matplotlib and Seaborn

• روز هفتم: پروژه تجزیه و تحلیل داده های اکتشافی (EDA). Day 7: Exploratory Data Analysis (EDA) Project

هفته 3: ریاضیات برای یادگیری ماشین Week 3: Mathematics for Machine Learning

• مقدمه ای بر هفته سوم ریاضیات برای یادگیری ماشینی Introduction to Week 3 Mathematics for Machine Learning

• روز اول: مبانی جبر خطی Day 1: Linear Algebra Fundamentals

• روز دوم: مفاهیم جبر خطی پیشرفته Day 2: Advanced Linear Algebra Concepts

• روز 3: حساب برای یادگیری ماشین (مشتقات) Day 3: Calculus for Machine Learning (Derivatives)

• روز 4: حساب برای یادگیری ماشین (انتگرال ها و بهینه سازی) Day 4: Calculus for Machine Learning (Integrals and Optimization)

• روز پنجم: نظریه احتمالات و توزیع ها Day 5: Probability Theory and Distributions

• روز ششم: مبانی آمار Day 6: Statistics Fundamentals

• روز هفتم: پروژه کوچک ریاضی محور - رگرسیون خطی از ابتدا Day 7: Math-Driven Mini Project – Linear Regression from Scratch

هفته 4: احتمال و آمار برای یادگیری ماشین Week 4: Probability and Statistics for Machine Learning

• مقدمه ای بر احتمالات و آمار هفته چهارم برای یادگیری ماشینی Introduction to Week 4 Probability and Statistics for Machine Learning

• روز اول: نظریه احتمال و متغیرهای تصادفی Day 1: Probability Theory and Random Variables

• روز 2: توزیع احتمال در یادگیری ماشین Day 2: Probability Distributions in Machine Learning

• روز سوم: استنباط آماری - فاصله های تخمین و اطمینان Day 3: Statistical Inference - Estimation and Confidence Intervals

• روز چهارم: آزمون فرضیه و P-Values Day 4: Hypothesis Testing and P-Values

• روز پنجم: انواع آزمون های فرضیه Day 5: Types of Hypothesis Tests

• روز ششم: تحلیل همبستگی و رگرسیون Day 6: Correlation and Regression Analysis

• روز 7: پروژه تجزیه و تحلیل آماری - تجزیه و تحلیل داده های دنیای واقعی Day 7: Statistical Analysis Project – Analyzing Real-World Data

هفته پنجم: مقدمه ای بر یادگیری ماشین Week 5: Introduction to Machine Learning

• مقدمه ای بر هفته پنجم مقدمه ای بر یادگیری ماشینی Introduction to Week 5 Introduction to Machine Learning

• روز اول: مبانی و اصطلاحات یادگیری ماشین Day 1: Machine Learning Basics and Terminology

• روز دوم: مقدمه ای بر مدل های یادگیری نظارت شده و رگرسیون Day 2: Introduction to Supervised Learning and Regression Models

• روز 3: مدل های رگرسیون پیشرفته - رگرسیون چند جمله ای و منظم سازی Day 3: Advanced Regression Models – Polynomial Regression and Regularization

• روز چهارم: مقدمه ای بر طبقه بندی و رگرسیون لجستیک Day 4: Introduction to Classification and Logistic Regression

• روز پنجم: ارزیابی مدل و اعتبارسنجی متقابل Day 5: Model Evaluation and Cross-Validation

• روز ششم: الگوریتم k-نزدیکترین همسایگان (k-NN). Day 6: k-Nearest Neighbors (k-NN) Algorithm

• روز هفتم: مینی پروژه آموزشی تحت نظارت Day 7: Supervised Learning Mini Project

هفته ششم: مهندسی ویژگی و ارزیابی مدل Week 6: Feature Engineering and Model Evaluation

• مقدمه ای بر هفته ششم مهندسی ویژگی و ارزیابی مدل Introduction to Week 6 Feature Engineering and Model Evaluation

• روز 1: مقدمه ای بر مهندسی ویژگی Day 1: Introduction to Feature Engineering

• روز 2: مقیاس گذاری و عادی سازی داده ها Day 2: Data Scaling and Normalization

• روز 3: رمزگذاری متغیرهای طبقه بندی شده Day 3: Encoding Categorical Variables

• روز 4: تکنیک های انتخاب ویژگی Day 4: Feature Selection Techniques

• روز پنجم: ایجاد و تبدیل ویژگی ها Day 5: Creating and Transforming Features

• روز ششم: تکنیک های ارزیابی مدل Day 6: Model Evaluation Techniques

• روز هفتم: اعتبارسنجی متقاطع و تنظیم فراپارامتر Day 7: Cross-Validation and Hyperparameter Tuning

هفته 7: الگوریتم های پیشرفته یادگیری ماشین Week 7: Advanced Machine Learning Algorithms

• مقدمه ای بر هفته 7 الگوریتم های یادگیری ماشین پیشرفته Introduction to Week 7 Advanced Machine Learning Algorithms

• روز اول: مقدمه ای بر یادگیری گروهی Day 1: Introduction to Ensemble Learning

• روز 2: کوله بری و جنگل های تصادفی Day 2: Bagging and Random Forests

• روز 3: تقویت و افزایش گرادیان Day 3: Boosting and Gradient Boosting

• روز چهارم: معرفی XGBoost Day 4: Introduction to XGBoost

• روز پنجم: LightGBM و CatBoost Day 5: LightGBM and CatBoost

• روز ششم: مدیریت داده های نامتعادل Day 6: Handling Imbalanced Data

• روز 7: پروژه یادگیری گروهی - مقایسه مدل ها در یک مجموعه داده واقعی Day 7: Ensemble Learning Project – Comparing Models on a Real Dataset

هفته هشتم: تنظیم و بهینه سازی مدل Week 8: Model Tuning and Optimization

• مقدمه ای بر تنظیم و بهینه سازی مدل هفته هشتم Introduction to Week 8 Model Tuning and Optimization

• روز 1: مقدمه ای بر تنظیم فراپارامتر Day 1: Introduction to Hyperparameter Tuning

• روز 2: جستجوی شبکه و جستجوی تصادفی Day 2: Grid Search and Random Search

• روز 3: تنظیم فراپارامتر پیشرفته با بهینه سازی بیزی Day 3: Advanced Hyperparameter Tuning with Bayesian Optimization

• روز 4: تکنیک های منظم سازی برای بهینه سازی مدل Day 4: Regularization Techniques for Model Optimization

• روز 5: روش های اعتبارسنجی متقابل و ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

• روز ششم: تنظیم خودکار فراپارامتر با GridSearchCV و RandomizedSearchCV Day 6: Automated Hyperparameter Tuning with GridSearchCV and RandomizedSearchCV

• روز هفتم: پروژه بهینه سازی – ساخت و تنظیم یک مدل نهایی Day 7: Optimization Project – Building and Tuning a Final Model

هفته نهم: شبکه های عصبی و اصول یادگیری عمیق Week 9: Neural Networks and Deep Learning Fundamentals

• مقدمه ای بر هفته نهم شبکه های عصبی و مبانی یادگیری عمیق Introduction to Week 9 Neural Networks and Deep Learning Fundamentals

• روز اول: مقدمه ای بر یادگیری عمیق و شبکه های عصبی Day 1: Introduction to Deep Learning and Neural Networks

• روز 2: توابع انتشار و فعال سازی به جلو Day 2: Forward Propagation and Activation Functions

• روز 3: توابع از دست دادن و پس انتشار Day 3: Loss Functions and Backpropagation

• روز 4: نزول گرادیان و تکنیک های بهینه سازی Day 4: Gradient Descent and Optimization Techniques

• روز پنجم: ساخت شبکه های عصبی با TensorFlow و Keras Day 5: Building Neural Networks with TensorFlow and Keras

• روز ششم: ساخت شبکه های عصبی با PyTorch Day 6: Building Neural Networks with PyTorch

• روز هفتم: پروژه شبکه عصبی – طبقه بندی تصاویر در CIFAR-10 Day 7: Neural Network Project – Image Classification on CIFAR-10

هفته 10: شبکه های عصبی کانولوشن (CNN) Week 10: Convolutional Neural Networks (CNNs)

• مقدمه ای بر هفته دهم شبکه های عصبی کانولوشنال (CNN) Introduction to Week 10 Convolutional Neural Networks (CNNs)

• روز اول: مقدمه ای بر شبکه های عصبی کانولوشنال Day 1: Introduction to Convolutional Neural Networks

• روز 2: لایه ها و فیلترهای کانولوشن Day 2: Convolutional Layers and Filters

• روز 3: ادغام لایه ها و کاهش ابعاد Day 3: Pooling Layers and Dimensionality Reduction

• روز چهارم: ساخت معماری CNN با Keras و TensorFlow Day 4: Building CNN Architectures with Keras and TensorFlow

• روز پنجم: ساخت معماری CNN با PyTorch Day 5: Building CNN Architectures with PyTorch

• روز ششم: منظم سازی و افزایش داده برای CNN ها Day 6: Regularization and Data Augmentation for CNNs

• روز هفتم: پروژه CNN - طبقه بندی تصاویر در مد MNIST یا CIFAR-10 Day 7: CNN Project – Image Classification on Fashion MNIST or CIFAR-10

هفته یازدهم: شبکه های عصبی مکرر (RNN) و مدل سازی توالی Week 11: Recurrent Neural Networks (RNNs) and Sequence Modeling

• مقدمه ای بر هفته یازدهم شبکه های عصبی مکرر (RNN) و مدل سازی توالی Introduction to Week 11 Recurrent Neural Networks (RNNs) and Sequence Modeling

• روز اول: مقدمه‌ای بر مدل‌سازی توالی و RNN Day 1: Introduction to Sequence Modeling and RNNs

• روز 2: درک معماری RNN و انتشار پس‌انداز در طول زمان (BPTT) Day 2: Understanding RNN Architecture and Backpropagation Through Time (BPTT)

• روز 3: شبکه های حافظه کوتاه مدت (LSTM). Day 3: Long Short-Term Memory (LSTM) Networks

• روز 4: واحدهای مکرر دردار (GRU) Day 4: Gated Recurrent Units (GRUs)

• روز پنجم: پیش پردازش متن و جاسازی کلمه برای RNN Day 5: Text Preprocessing and Word Embeddings for RNNs

• روز ششم: مدل ها و برنامه های دنباله به دنباله Day 6: Sequence-to-Sequence Models and Applications

• روز هفتم: پروژه RNN - تولید متن یا تجزیه و تحلیل احساسات Day 7: RNN Project – Text Generation or Sentiment Analysis

هفته دوازدهم: ترانسفورماتورها و مکانیسم های توجه Week 12: Transformers and Attention Mechanisms

• مقدمه ای بر ترانسفورماتورها و مکانیسم های توجه هفته دوازدهم Introduction to Week 12 Transformers and Attention Mechanisms

• روز اول: مقدمه ای بر مکانیسم های توجه Day 1: Introduction to Attention Mechanisms

• روز دوم: مقدمه ای بر معماری ترانسفورماتورها Day 2: Introduction to Transformers Architecture

• روز سوم: توجه به خود و توجه چند سر در ترانسفورماتورها Day 3: Self-Attention and Multi-Head Attention in Transformers

• روز 4: شبکه‌های رمزگذاری موقعیتی و فید فوروارد Day 4: Positional Encoding and Feed-Forward Networks

• روز 5: کار با ترانسفورماتورهای از پیش آموزش دیده - BERT و GPT Day 5: Hands-On with Pre-Trained Transformers – BERT and GPT

• روز ششم: ترانسفورماتورهای پیشرفته - انواع BERT و GPT-3 Day 6: Advanced Transformers – BERT Variants and GPT-3

• روز هفتم: پروژه تبدیل - خلاصه یا ترجمه متن Day 7: Transformer Project – Text Summarization or Translation

هفته 13: آموزش انتقال و تنظیم دقیق Week 13: Transfer Learning and Fine-Tuning

• مقدمه هفته سیزدهم آموزش انتقال و تنظیم دقیق Introduction to Week 13 Transfer Learning and Fine-Tuning

• روز اول: مقدمه ای بر یادگیری انتقالی Day 1: Introduction to Transfer Learning

• روز دوم: آموزش انتقال در کامپیوتر ویژن Day 2: Transfer Learning in Computer Vision

• روز سوم: تکنیک های تنظیم دقیق در بینایی کامپیوتر Day 3: Fine-Tuning Techniques in Computer Vision

• روز 4: آموزش انتقال در NLP Day 4: Transfer Learning in NLP

• روز پنجم: تکنیک های تنظیم دقیق در NLP Day 5: Fine-Tuning Techniques in NLP

• روز ششم: چالش‌های یادگیری انطباق و انتقال دامنه Day 6: Domain Adaptation and Transfer Learning Challenges

• روز 7: پروژه آموزش انتقال - تنظیم دقیق برای یک کار سفارشی Day 7: Transfer Learning Project – Fine-Tuning for a Custom Task

الگوریتم ها و پیاده سازی های یادگیری ماشین Machine Learning Algorithms and Implementations

• مقدمه ای بر الگوریتم های یادگیری ماشین Introduction to Machine Learning Algorithms

• 1. پیاده سازی رگرسیون خطی در پایتون 1. Linear Regression Implementation in Python

• 2. پیاده سازی رگرسیون ریج و کمند در پایتون 2. Ridge and Lasso Regression Implementation in Python

• 3. پیاده سازی رگرسیون چند جمله ای در پایتون 3. Polynomial Regression Implementation in Python

• 4. پیاده سازی رگرسیون لجستیک در پایتون 4. Logistic Regression Implementation in Python

• 5. پیاده سازی K-Nearest Neighbors (KNN) در پایتون 5. K-Nearest Neighbors (KNN) Implementation in Python

• 6. پشتیبانی از ماشین های برداری (SVM) در پایتون 6. Support Vector Machines (SVM) Implementation in Python

• 7. پیاده سازی درخت تصمیم در پایتون 7. Decision Trees Implementation in Python

• 8. پیاده سازی تصادفی جنگل ها در پایتون 8. Random Forests Implementation in Python

• 9. پیاده سازی افزایش گرادیان در پایتون 9. Gradient Boosting Implementation in Python

• 10. پیاده سازی Naive Bayes در پایتون 10. Naive Bayes Implementation in Python

• 11. پیاده سازی خوشه بندی K-Means در پایتون 11. K-Means Clustering Implementation in Python

• 12. پیاده سازی خوشه بندی سلسله مراتبی در پایتون 12. Hierarchical Clustering Implementation in Python

• 13. DBSCAN (خوشه بندی فضایی مبتنی بر چگالی برنامه ها با نویز) 13. DBSCAN (Density-Based Spatial Clustering of Applications w Noise)

• 14. پیاده سازی مدل های مخلوط گاوسی (GMM) در پایتون 14. Gaussian Mixture Models(GMM) Implementation in Python

• 15. پیاده سازی تجزیه و تحلیل اجزای اصلی (PCA) در پایتون 15. Principal Component Analysis (PCA) Implementation in Python

• 16. پیاده سازی t-Distributed Stochastic Neighbor Embedding (t-SNE) در پایتون 16. t-Distributed Stochastic Neighbor Embedding (t-SNE) Implementation in Python

• 17. پیاده سازی رمزگذارهای خودکار در پایتون 17. Autoencoders Implementation in Python

• 18. پیاده سازی خودآموزی در پایتون 18. Self-Training Implementation in Python

• 19. پیاده سازی Q-Learning در پایتون 19. Q-Learning Implementation in Python

• 20. پیاده سازی Deep Q-Networks (DQN) در پایتون 20. Deep Q-Networks (DQN) Implementation in Python

• 21. پیاده سازی روش های گرادیان خط مشی در پایتون 21. Policy Gradient Methods Implementation in Python

• 22. پیاده سازی SVM یک کلاس در پایتون 22. One-Class SVM Implementation in Python

• 23. پیاده سازی جنگل ایزوله در پایتون 23. Isolation Forest Implementation in Python

• 24. پیاده سازی شبکه های عصبی کانولوشن (CNN) در پایتون 24. Convolutional Neural Networks (CNNs) Implementation in Python

• 25. پیاده سازی شبکه های عصبی مکرر (RNN) در پایتون 25. Recurrent Neural Networks (RNNs) Implementation in Python

• 26. پیاده سازی حافظه کوتاه مدت (LSTM) در پایتون 26. Long Short-Term Memory (LSTM) Implementation in Python

• 27. پیاده سازی ترانسفورماتورها در پایتون 27. Transformers Implementation in Python

آموزش کامل TensorFlow Complete TensorFlow Tutorials

• 1. یادگیری ماشین در زمینه TensorFlow چیست؟ 1. What is Machine Learning in the context of TensorFlow?

• 2. مقدمه ای بر TensorFlow 2. Introduction to TensorFlow

• 3. TensorFlow در مقابل سایر چارچوب های یادگیری ماشین 3. TensorFlow vs. Other Machine Learning frameworks

• 4. نصب TensorFlow 4. Installing TensorFlow

• 5. محیط توسعه خود را تنظیم کنید 5. Setting up your Development Environment

• 6. تأیید نصب 6. Verifying the Installation

• 7. مقدمه ای بر تنسورها 7. Introduction to Tensors

• 8. عملیات تانسور 8. Tensor Operations

• 9. ثابت ها، متغیرها و مکان هایی 9. Constants, Variables, and Placeholders

• 10. نمودار محاسباتی TensorFlow 10. TensorFlow Computational Graph

• 11. ایجاد و اجرای یک جلسه TensorFlow 11. Creating and Running a TensorFlow Session

• 12. مدیریت نمودارها و جلسات 12. Managing Graphs and Sessions

• 13. ساخت یک شبکه عصبی پیشخور ساده 13. Building a Simple Feedforward Neural Network

• 14. توابع فعال سازی 14. Activation Functions

• 15. توابع از دست دادن و بهینه ساز 15. Loss Functions and Optimizers

• 16. مقدمه ای بر Keras API 16. Introduction to Keras API

• 17. مدل های مجتمع ساختمانی با کراس 17. Building Complex Models with Keras

• 18. آموزش و ارزیابی مدل ها 18. Training and Evaluating Models

• 19. مقدمه ای بر CNN 19. Introduction to CNNs

• 20. ساخت و آموزش CNN با TensorFlow 20. Building and Training CNNs with TensorFlow

• 21. انتقال یادگیری با CNN های از پیش آموزش دیده 21. Transfer Learning with Pre-trained CNNs

• 22. مقدمه ای بر RNN ها 22. Introduction to RNNs

• 23. ساخت و آموزش RNN با TensorFlow 23. Building and Training RNNs with TensorFlow

• 24. کاربردهای RNN: مدل سازی زبان، پیش بینی سری های زمانی 24. Applications of RNNs: Language Modeling, Time Series Prediction

• 25. ذخیره و بارگذاری مدل ها 25. Saving and Loading Models

• 26. خدمت TensorFlow برای استقرار مدل 26. TensorFlow Serving for Model Deployment

• 27. TensorFlow Lite برای موبایل و دستگاه های جاسازی شده 27. TensorFlow Lite for Mobile and Embedded Devices

• 28. مقدمه ای بر محاسبات توزیع شده با TensorFlow 28. Introduction to Distributed Computing with TensorFlow

• 29. چارچوب اجرای توزیع شده TensorFlow 29. TensorFlow's Distributed Execution Framework

• 30. مقیاس بندی TensorFlow با سرویس TensorFlow و Kubernetes 30. Scaling TensorFlow with TensorFlow Serving and Kubernetes

• 31. مقدمه ای بر TFX 31. Introduction to TFX

• 32. ساخت خطوط لوله ML سرتاسر با TFX 32. Building End-to-End ML Pipelines with TFX

• 33. اعتبارسنجی مدل، تبدیل، و خدمت با TFX 33. Model Validation, Transform, and Serving with TFX

• 34. طبقه بندی تصویر 34. Image Classification

• 35. پردازش زبان طبیعی 35. Natural Language Processing

• 36. سیستم های توصیه کننده 36. Recommender Systems

• 37. تشخیص شی 37. Object Detection

• 38. ساخت یک مدل تحلیل احساسات 38. Building a Sentiment Analysis Model

• 39. ایجاد یک سیستم تشخیص تصویر 39. Creating an Image Recognition System

• 40. توسعه یک مدل پیش بینی سری زمانی 40. Developing a Time Series Prediction Model

• 41. پیاده سازی چت بات 41. Implementing a Chatbot

• 42. شبکه های متخاصم مولد (GAN) 42. Generative Adversarial Networks (GANs)

• 43. یادگیری تقویتی با TensorFlow 43. Reinforcement Learning with TensorFlow

• 44. یادگیری ماشین کوانتومی با کوانتوم TensorFlow 44. Quantum Machine Learning with TensorFlow Quantum

• 45. مستندات و آموزش های TensorFlow 45. TensorFlow Documentation and Tutorials

• 46. ​​دوره ها و کتاب های آنلاین 46. Online Courses and Books

• 47. انجمن و انجمن تنسورفلو 47. TensorFlow Community and Forums

• 48. خلاصه مفاهیم کلیدی 48. Summary of Key Concepts

• 49. مراحل بعدی در سفر تنسورفلو شما 49. Next Steps in Your TensorFlow Journey

آموزش PyTorch را کامل کنید Complete PyTorch Tutorials

• 0. چه چیزی را پوشش خواهیم داد 0. What will we cover

• 1. مقدمه ای بر PyTorch 1. Introduction to PyTorch

• 2. شروع به کار PyTorch 2. Getting Started with PyTorch

• 3. کار با تنسورها 3. Working with Tensors

• 4. Autograd و نمودارهای محاسبات پویا 4. Autograd and Dynamic Computation Graphs

• 5. ساخت شبکه های عصبی ساده 5. Building Simple Neural Networks

• 6. بارگذاری و پیش پردازش داده ها 6. Loading and Preprocessing Data

• 7. ارزیابی و اعتبارسنجی مدل 7. Model Evaluation and Validation

• 8. معماری شبکه های عصبی پیشرفته 8. Advanced Neural Network Architectures

• 9. آموزش انتقال و تنظیم دقیق 9. Transfer Learning and Fine-Tuning

• 10. مدیریت داده های پیچیده 10. Handling Complex Data

• 11. استقرار و تولید مدل 11. Model Deployment and Production

• 12. اشکال زدایی و عیب یابی 12. Debugging and Troubleshooting

• 13. آموزش توزیع شده و بهینه سازی عملکرد 13. Distributed Training and Performance Optimization

• 14. لایه های سفارشی و توابع از دست دادن 14. Custom Layers and Loss Functions

• 15. فنون پژوهش محور 15. Research-oriented Techniques

• 16. ادغام با سایر کتابخانه ها 16. Integration with Other Libraries

• 17. کمک به PyTorch و تعامل با جامعه 17. Contributing to PyTorch and Community Engagement

پروژه های عملی در علم داده در پایتون Hands-on Projects on Data Science in Python

• 1: ماشین حساب پایه با استفاده از پایتون 1: Basic Calculator using Python

• 2: طبقه بندی تصویر با استفاده از Keras و TensorFlow 2: Image Classifier using Keras and TensorFlow

• 3: چت بات ساده با استفاده از پاسخ های از پیش تعریف شده 3: Simple Chatbot using predefined responses

• 4: آشکارساز ایمیل اسپم با استفاده از Scikit-learn 4: Spam Email Detector using Scikit-learn

• 5: تشخیص رقم دست نویس با مجموعه داده MNIST 5: Handwritten Digit Recognition with MNIST dataset

• 6: تجزیه و تحلیل احساسات بر روی داده های متنی با استفاده از NLTK 6: Sentiment Analysis on text data using NLTK

• 7: سیستم توصیه فیلم با استفاده از شباهت کسینوس 7: Movie Recommendation System using cosine similarity

• 8: پیش بینی قیمت خانه با رگرسیون خطی 8: Predict House Prices with Linear Regression

• 9: پیش بینی آب و هوا با استفاده از داده های تاریخی 9: Weather Forecasting using historical data

• 10: شبکه عصبی پایه از ابتدا 10: Basic Neural Network from scratch

• 11: پیش بینی قیمت سهام با استفاده از داده های تاریخی با رگرسیون خطی ساده 11: Stock Price Prediction using historical data w/ simple Linear Regression

• 12: پیش بینی دیابت با استفاده از رگرسیون لجستیک 12: Predict Diabetes using logistic regression

• 13: سگ در مقابل گربه طبقه بندی کننده با CNN 13: Dog vs. Cat Classifier with CNN

• 14: هوش مصنوعی Tic-Tac-Toe با استفاده از الگوریتم Minimax 14: Tic-Tac-Toe AI using Minimax Algorithm

• 15: تشخیص تقلب در کارت اعتباری با استفاده از Scikit-learn 15: Credit Card Fraud Detection using Scikit-learn

• 16: طبقه بندی گل زنبق با استفاده از درختان تصمیم 16: Iris Flower Classification using decision trees

• 17: دستیار شخصی ساده با استفاده از کتابخانه های گفتاری پایتون 17: Simple Personal Assistant using Python speech libraries

• 18: Text Summarizer با استفاده از Gensim 18: Text Summarizer using Gensim

• 19: تشخیص بررسی محصولات جعلی با استفاده از تکنیک های NLP 19: Fake Product Review Detection using NLP techniques

• 20: تشخیص احساسات در متن با استفاده از جعبه ابزار زبان طبیعی (NLTK) 20: Detect Emotion in Text using Natural Language Toolkit (NLTK)

• 21: سیستم توصیه کتاب با استفاده از فیلتر مشارکتی 21: Book Recommendation System using collaborative filtering

• 22: پیش بینی قیمت خودرو با استفاده از جنگل تصادفی 22: Predict Car Prices using Random Forest

• 23: با استفاده از Naive Bayes اخبار جعلی را شناسایی کنید 23: Identify Fake News using Naive Bayes

• 24: با استفاده از استخراج کلمه کلیدی یک اسکنر رزومه ایجاد کنید 24: Create a Resume Scanner using keyword extraction

• 25: پیش بینی ریزش مشتری با استفاده از الگوریتم های طبقه بندی 25: Customer Churn Prediction using classification algorithms

• 26: شناسایی نهاد نامگذاری شده (NER) با استفاده از spaCy 26: Named Entity Recognition (NER) using spaCy

• 27: با استفاده از XGBoost ریزش کارکنان را پیش بینی کنید 27: Predict Employee Attrition using XGBoost

• 28. پیش بینی بیماری (به عنوان مثال، بیماری قلبی) با استفاده از الگوریتم های ML 28. Disease Prediction (e.g., Heart Disease) using ML algorithms

• 29. پیش بینی رتبه بندی فیلم با استفاده از فیلتر مشارکتی 29. Movie Rating Prediction using Collaborative Filtering

• 30. درجه بندی خودکار مقاله با استفاده از BERT 30. Automatic Essay Grading using BERT