آموزش دوره جامع یادگیری ماشین (Machine Learning A-Z™) با پایتون: بوت‌کمپ عملی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

• مقدمه Introduction

• یادگیری ماشین چیست؟ What Is Machine Learning?

• انواع یادگیری ماشین Types of Machine Learning

• تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق AI vs ML vs Deep Learning

• راه اندازی محیط برنامه‌نویسی Setting Up the Environment

• نصب کتابخانه‌های پایتون Installing Python Libraries

مبانی پایتون برای یادگیری ماشین Python Fundamentals for Machine Learning

• مروری بر مبانی پایتون Python Basics Refresher

• مبانی کتابخانه NumPy NumPy Fundamentals

• استفاده از Pandas برای تحلیل داده‌ها Pandas for Data Analysis

• مبانی بصری‌سازی داده‌ها Data Visualization Basics

• کار با مجموعه‌داده‌ها (Datasets) Working with Datasets

• گردش‌کار در Jupyter Notebook Jupyter Notebook Workflow

• کتابخانه‌های علمی پایتون Scientific Python Libraries

پیش‌پردازش داده‌ها و مهندسی ویژگی‌ها Data Preprocessing & Feature Engineering

• پاک‌سازی مجموعه‌داده‌ها Cleaning Datasets

• مدیریت داده‌های گم‌شده (Missing Data) Handling Missing Data

• کدگذاری متغیرهای طبقه‌ای Encoding Categorical Variables

• مقیاس‌بندی ویژگی‌ها (Feature Scaling) Feature Scaling

• تقسیم داده‌های آموزش و تست Splitting Training & Test Data

• مبانی مهندسی ویژگی‌ها Feature Engineering Basics

• خط لوله‌های آماده‌سازی داده‌ها Data Preparation Pipelines

الگوریتم‌های رگرسیون Regression Algorithms

• رگرسیون چیست؟ What Is Regression?

• رگرسیون خطی Linear Regression

• رگرسیون چندجمله‌ای Polynomial Regression

• رگرسیون بردار پشتیبان (SVR) Support Vector Regression

• رگرسیون درخت تصمیم Decision Tree Regression

• رگرسیون جنگل تصادفی Random Forest Regression

• پروژه پیش‌بینی در دنیای واقعی Real-World Prediction Project

الگوریتم‌های طبقه‌بندی Classification Algorithms

• طبقه‌بندی چیست؟ What Is Classification?

• رگرسیون لجستیک Logistic Regression

• الگوریتم K-نزدیک‌ترین همسایه (KNN) K-Nearest Neighbors (KNN)

• ماشین‌های بردار پشتیبان (SVM) Support Vector Machines (SVM)

• نایو بیز (Naive Bayes) Naive Bayes

• درخت‌های تصمیم Decision Trees

• طبقه‌بندی جنگل تصادفی Random Forest Classification

• ارزیابی مدل‌های طبقه‌بندی Evaluating Classification Models

خوشه‌بندی و یادگیری نظارت نشده Clustering & Unsupervised Learning

• خوشه‌بندی چیست؟ What Is Clustering?

• خوشه‌بندی K-Means K-Means Clustering

• خوشه‌بندی سلسله‌مراتبی Hierarchical Clustering

• پروژه بخش‌بندی مشتریان Customer Segmentation Project

• مبانی کاهش ابعاد Dimensionality Reduction Basics

• تحلیل مؤلفه‌های اصلی (PCA) Principal Component Analysis (PCA)

ارزیابی و بهینه‌سازی مدل Model Evaluation & Optimization

• بایاس در مقابل واریانس Bias vs Variance

• اعتبارسنجی متقاطع (Cross Validation) Cross Validation

• ماتریس درهم‌ریختگی (Confusion Matrix) Confusion Matrix

• دقت، فراخوانی و امتیاز F1 Precision, Recall & F1 Score

• تنظیم هایپرپارامترها Hyperparameter Tuning

• بهبود عملکرد مدل Improving Model Performance

پردازش زبان طبیعی (NLP) Natural Language Processing

• مقدمه‌ای بر پردازش زبان طبیعی (NLP) Introduction to NLP

• پاک‌سازی متن Text Cleaning

• توکن‌بندی (Tokenization) Tokenization

• مدل کیسه کلمات (Bag of Words) Bag of Words Model

• پروژه تحلیل احساسات Sentiment Analysis Project

• سیستم‌های طبقه‌بندی متن Text Classification Systems

سیستم‌های پیشنهاددهنده و کاربردهای واقعی هوش مصنوعی Recommendation Systems & Real AI Applications

• سیستم‌های پیشنهاددهنده چیستند؟ What Are Recommendation Systems?

• مفاهیم فیلترینگ مشارکتی (Collaborative Filtering) Collaborative Filtering Concepts

• پیشنهادهای مبتنی بر محتوا Content-Based Recommendations

• مثال‌هایی از کاربردهای هوش مصنوعی AI Application Examples

• ساخت مدل‌های پیشنهاددهنده ساده Building Simple Recommendation Models

پروژه‌های یادگیری ماشین در دنیای واقعی Real-World Machine Learning Projects

• پروژه پیش‌بینی قیمت خانه House Price Prediction Project

• پیش‌بینی ریزش مشتریان (Churn Prediction) Customer Churn Prediction

• مفاهیم تشخیص تقلب Fraud Detection Concepts

• پروژه پیش‌بینی فروش Sales Forecasting Project

• سیستم تحلیل احساسات NLP NLP Sentiment Analysis System

• پروژه داشبورد یادگیری ماشین ML Dashboard Project

استقرار مدل و مبانی مهندسی یادگیری ماشین Model Deployment & ML Engineering Basics

• ذخیره مدل‌های آموزش دیده Saving Trained Models

• خروجی گرفتن از مدل‌های ML Exporting ML Models

• مقدمه‌ای بر APIهای یادگیری ماشین Intro to ML APIs

• مبانی استقرار مدل (Deployment) Model Deployment Basics

• بهترین روش‌های گردش‌کار یادگیری ماشین Machine Learning Workflow Best Practices

مشاوره شغلی و گام‌های بعدی Career Advice & Next Steps

• چگونه مهندس یادگیری ماشین شویم Becoming a Machine Learning Engineer

• مسیرهای شغلی علم داده Data Science Career Paths

• ساخت پورتفولیو هوش مصنوعی Building an AI Portfolio

• نقشه راه پیشرفته هوش مصنوعی Advanced AI Roadmap

• جمع‌بندی نهایی دوره Final Course Wrap-Up