آموزش تسلط بر علم داده و هوش مصنوعی با پایتون و پروژه‌های دنیای واقعی - آخرین آپدیت

سرفصل ها و درس ها

Introduction

• مقدمه Introduction

• درک انواع و ساختارهای داده در پایتون Understanding Data Types and Structures in Python

• جمع‌بندی درک ساختارهای داده پایتون Understanding Python Data Structure Wrap up

یادآوری پایتون Python Refresher

• توابع رشته در پایتون – قسمت ۱ String Functions in Python Part 1

• توابع رشته در پایتون – قسمت ۲ String Functions in Python Part 2

• توابع رشته در پایتون – قسمت ۳ String Functions in Python Part 3

• توابع رشته در پایتون – قسمت ۴ String Functions in Python Part 4

• توابع رشته در پایتون – قسمت ۵ String Functions in Python Part 5

• پاکسازی ورودی کاربر با رشته‌های پایتون. Cleaning User Input with Python Strings.

• لیست‌ها Lists

• تاپل‌ها Tuples

• مجموعه‌ها Sets

• دیکشنری‌ها Dictionaries

• جریان کنترل: IF Control Flow IF

• حلقه For – قسمت ۱ For Loop Part 1

• حلقه For – قسمت ۲ For Loop Part 2

• حلقه While – قسمت ۱ While Loop Part 1

• حلقه While – قسمت ۲ While Loop Part 2

• بهترین روش‌ها برای حلقه While While Loop Best Practices

• مقدمه‌ای بر توابع در پایتون Introduction to Functions in Python

• توابع در پایتون و آرگومان‌ها Functions in Python and Arguments

• نکات و ترفندهای توابع: بازگشت (Recursion) Function Tips & Tricks Recursion

• نکات و ترفندهای توابع: Decoratorها و توابع مرتبه بالاتر (Higher Order Functions) Function Tips & Tricks Functions Decorators and Higher Order Functions

• نکات و ترفندهای توابع: توابع Lambda Functions Tips & Tricks Lambda Functions

• نکات و ترفندهای توابع: Caching و Memoization توابع Function Tips & Tricks Functions Caching & Memoization

• مدیریت خطا در پایتون Error Handling in Python

• فایل‌ها و ماژول‌ها در پایتون Files and Modules in Python

• چت یادآوری مهارت‌های پایتون. Python Skills Refresher Chat.

• بازبینی و یادآوری کد پایتون. Python Code Review & Refresher.

• مطالعات موردی پایتون برای مرور مبانی پایتون. Python Case Studies for Python Basics Recap.

• ایجاد کلاس ساده Creating Simple Class

• مروری بر Constructor Overviewing Constructor

• یادگیری نحوه ایجاد Dunder Methodها Learning How to creating Dunder Methods

• آشنایی با وراثت (Inheritance) Learning about Inheritance

• آگاهی از چیستی کپسوله‌سازی (Encapsulation) Knowing What is the Encapsulation

• همچنین یادگیری در مورد وراثت چندگانه (Multiple Inheritance) Learning also about Multiple Inheritance

• آگاهی از چیستی Overriding Knowing What is the Overriding

• آشنایی با Decoratorها Learning about Decorators

• یادگیری نحوه استفاده از Decoratorهای داخلی Learning How to use Build-in Decorators

• بازبینی کد پروژه OOP. OOP Project Code Review.

• آزمون تمرینی OOP پایتون. Python OOP Practice Test.

کتابخانه NumPy پایتون Python Numpy Library

• مقدمه‌ای بر NumPy Numpy Intro

• Numpy.shape و Numpy.size Numpy.shape & Numpy.size

• ایجاد آرایه‌های چند بعدی NumPy با استفاده از توابع NumPy Creating Numpy nd arrays using Numpy functions

• Numpy.unique() و برش آرایه (Array Slicing) Numpy.unique( ) & Array slicing

• محاسبات و عملگرهای NumPy Numpy Calculations and Operators

• تراکم‌سازی (Aggregation) در NumPy Numpy Aggregations

• Reshape و Transposing در NumPy Numpy Reshape and Transposing

• مقایسه در NumPy Numpy Comparing

• پردازش تصاویر با NumPy Numpy Images Processing

• تمرین NumPy: تحلیل داده‌های سنسور. NumPy Workout: Analyzing Sensor Data.

کتابخانه Pandas پایتون Python Pandas Library

• نصب Jupyter Lab و Pandas Installing Jupyter Lab & Pandas

• دانلود و نصب SQL PostgreSQL SQL PostgreSQL Down and install

• ایجاد پایگاه داده Database Creation

• بازیابی پایگاه داده Database Restore

• استفاده از پکیج Pandas پایتون برای بارگذاری فایل خروجی داده PostgreSQL Using Python Pandas Package to load PostgreSQL the Data Output file

• Fetchmany و Fetchall Fetchmany and Fetchall

• کوری‌نویسی با استفاده از Pandas پایتون Querying Using Python Panadas

• متدها و توابع Pandas Pandas methods and functions

• تصویرسازی داده Visualizing Data

• تحلیل داده با Pandas Pandas Data Analysis

• خطای نمونه‌گیری Sampling Error

• نحوه اسکرپ کردن وب‌سایت در پایتون How to Scrape a website in Python

• اسکرپ کردن یک جدول در صفحه وب با استفاده از ماژول‌های Pandas و LXML پایتون! Scrape a Table inside a Webpage using Pandas and LXML Python Modules!

• تصویرسازی داده‌های اسکرپ شده Data Visualization of the Scraped Data

• ذخیره داده‌های اسکرپ شده در پایگاه داده Save The Scraped Data to a Database

• متدهای ضروری Pandas برای مصاحبه‌ها و مطالعات موردی Pandas Essential Methods For interviews & Cases Studies

• جلسه تمرین DataFrame در Pandas. Pandas DataFrame Workout Session.

پروژه ۱: استفاده از Pandas + اتوماسیون برای مدیریت لیست ایمیل تجاری Project 1 Using Pandas + Automation to Manage a Business Email List

• قسمت ۱ Part 1

• قسمت ۲ Part 2

• قسمت ۳ Part 3

دسترسی، دستکاری و فیلتر کردن DataFrames. Accessing, Manipulating & Filtering DataFrames.

• دستکاری داده با استفاده از DataFrames Data manipulation using DataFrames

• دسترسی به داده‌ها با استفاده از DataFrames Accessing Data Using DataFrames

• تراکم‌سازی و خلاصه‌سازی داده Data aggregation and summarization

• ایجاد ستون‌های جدید، حذف ستون‌های غیرضروری و انجام دستکاری‌های مختلف داده Create New Columns, Drop Unnecessary Ones, and Perform Various Data Manipulation

• تکنیک‌های ضروری برای نگاه اجمالی و توصیف داده‌هایمان در پایتون Essential Techniques for Peeking at & Describing our Data in Python

• فیلتر کردن داده Filtering Data

تصویرسازی داده Data Visualization

• مقدمه‌ای بر تصویرسازی داده در پایتون Introduction to Data Visualization in Python

• هیستوگرام‌ها – ابزاری قدرتمند برای تصویرسازی توزیع داده‌ها Histograms – a Powerful Tool for Visualizing the Distribution of Data

• تصویرسازی روندها با استفاده از داده‌های مالی واقعی Visualizing Trends using a Real-World Financial Data

• تعیین و انتخاب نوع نمودار مناسب Determining and Choosing the Appropriate Plot Type

آمار برای علم داده Statistics for Data Science

• مقدمه Introduction

• داده، گراف و چارت چیستند What are data, graphs and charts

• مرور کلی تصویرسازی داده Data visulaization Overview

• تصویرسازی داده – نمودار میله‌ای Data Visualization - Bar Chart

• تصویرسازی داده – نمودار خطی Data Visualization - Line Chart

• تصویرسازی داده – نمودار دایره‌ای Data Visualization - Pie Chart

• تصویرسازی داده – هیستوگرام Data Visualization - Histogram

• تصویرسازی داده – نمودار جعبه‌ای (Box Plot) Data Visualization - Box Plot

• تصویرسازی داده – توزیع داده Data Visualization - Distribution of Data

• گرایش مرکزی و معیارهای مرکز داده Central Tendency & Measures of Data Center

• پراکنش و معیارهای پراکنش داده Spread & Measures of Data Spread

• آمار خلاصه و نقاط پرت (Outliers) Summary Statistics & Outliers

• همبستگی‌ها و نقشه‌های حرارتی (Heatmaps) Correlations & Heatmaps

• محاسبه کوواریانس Computing Covariance

• مقدمه‌ای بر Statsmodels Introduction to Statsmodels

• کاوش مجموعه داده‌ها با آمار توصیفی Exploring Datasets with Descriptive Statistics

• مبانی آزمون فرضیه – مفهوم آزمون فرضیه Hypothesis Testing Essentials - Concept of Hypothesis Testing

• مبانی آزمون فرضیه – آزمون‌های t تک‌نمونه‌ای و دونمونهای Hypothesis Testing Essentials - One-sample and two-sample t-tests

• مبانی آزمون فرضیه – آزمون t زوجی Hypothesis Testing Essentials - Paired t-test

• مبانی آزمون فرضیه – آزمون Chi-Square برای استقلال Hypothesis Testing Essentials - Chi-Square test for independence

• رگرسیون خطی: مدل OLS، تحلیل باقیمانده‌ها، ضرایب، P-Values، R-squared Linear Regression OLS model, Residual Analysis,Coefficients, P-Values, R-squared

• رگرسیون خطی چندگانه با statsmodels – گسترش به چندین پیش‌بین Multiple Linear Regression with statsmodels - Expanding to Multiple Predictors

• مدیریت هم‌خطی چندگانه در رگرسیون خطی چندگانه با VIF در statsmodels Handling Multicollinearity in Multiple Linear Regression with statsmodels VIF

پروژه ۲: تحلیل داده‌های اپلیکیشن گوگل Project 2 Google App Data Analysis

• کاوش بصری داده‌های فروشگاه اپلیکیشن گوگل Visual Exploring of Google App Store Data

• پاکسازی و پیش‌پردازش داده‌های فروشگاه اپلیکیشن گوگل Data Cleaning and Preprocessing of Google App Store Data

• تکنیک‌های تصویرسازی داده Data Visualization Techniques

• تحلیل آماری و آزمون فرضیه Statistical Analysis and Hypothesis Testing

• داستان‌سرایی داده Data Storytelling

• نتیجه‌گیری Conclusion

• تکلیف برای پروژه: EDA داده‌های فروشگاه اپلیکیشن گوگل. The Assignment for Project: Google App Store Data EDA.

مقدمه‌ای بر ML و یادگیری نظارت شده Introduction to ML & Supervised Learning

• مقدمه‌ای بر یادگیری ماشین با scikit-learn Introduction to Machine learning with scikit-learn

• گردش کار یادگیری نظارت شده The Supervised Learning Workflow

• اندازه‌گیری عملکرد مدل Measuring Model Performance

الگوریتم ML رگرسیون نظارت شده Regression Supervised ML Algorithm

• مقدمه‌ای بر رگرسیون Introduction to Regression

• مبانی رگرسیون خطی و عملکرد رگرسیون The Basics of Linear regression & Regression Performance

• اعتبارسنجی متقابل برای R-squared و تحلیل معیارهای اعتبارسنجی متقابل Cross-validation for R-squared & Analyzing Cross-Validation Metrics

• رگرسیون Regularized Regularized Regression

طبقه بندی باینری و طبقه بندهای نظارت شده ML چندکلاسه Binary Classification & Multiclass ML Supervised Classifiers

• الگوریتم‌های یادگیری ML نظارت شده: طبقه‌بندی K-نزدیک‌ترین همسایه The k-Nearest Neighbors Classification Supervised ML Learning Algorithms

• مدل شما چقدر خوب است و چگونه از Random Forest Classifier استفاده کنیم How Good is your Model and How to use Random Forest Classifier

• رگرسیون لجستیک و منحنی ROC Logistic Regression and the ROC Curve

• تنظیم Hyperparameter با GridSearchCV و RandomizedSearchCV Hyperparameter Tuning with GridSearchCV & RandomizedSearchCV

مهندسی ویژگی برای الگوریتم‌های یادگیری نظارت شده ML Feature Engineering for ML Supervised Learning Algorithms

• پیش‌پردازش داده‌ها و ایجاد Dummy Variable برای متغیرهای داده طبقه‌بندی شده Preprocessing Data and Creating Dummy Variable for Categorical Data Variables

• مدیریت داده‌های گمشده و ایجاد ML Pipeline Handling Missing Data And Creating The ML Pipeline

• تکنیک‌های Centering و Scaling در الگوریتم‌های یادگیری نظارت شده ML Centering and Scaling Techniques in ML Supervised Learning Algorithms

چگونه چندین مدل را ارزیابی کنیم How to Evaluate Multiple Models

• ارزیابی چندین مدل با مثال Evaluating Multiple Models with Examples

• مقایسه مدل‌ها Comparing Models

• رگرسیون لجستیک و ماشین‌های بردار پشتیبان برای طبقه‌بندی متن Logistic Regression and Support Vector Machines for Text Classification

مباحث پیشرفته در مورد الگوریتم‌های یادگیری نظارت شده ML Advanced Topics regarding ML Supervised Learning Algorithms

• طبقه‌بندی‌کننده خطی و مرزهای تصمیم Linear Classifier & Decision Boundaries

• طبقه‌بندی‌کننده‌های خطی و ضرایب Linear Classifiers & The Coefficients

• تابع زیان (Loss Function) چیست What is The Loss Function

• نمودارهای تابع زیان Loss Function Diagrams

• Regularization رگرسیون لجستیک و شناسایی نظرات منفی Logistic Regression Regularization & Identifying Negative Reviews

• رگرسیون لجستیک و احتمالات Logistic Regression and Probabilities

• رگرسیون لجستیک چندکلاسه Multi-class Logistic Regression

الگوریتم‌های یادگیری بی‌نظارت ML: خوشه‌بندی Clustering ML Unsupervised Learning Algorithms

• یادگیری بی‌نظارت: مبانی خوشه‌بندی Unsupervised Learning The Fundamentals of Clustering

• ارزیابی و بهینه‌سازی خوشه‌بندی Clustering Evaluation & Optimization

• تبدیل ویژگی‌ها برای خوشه‌بندی بهتر و خوشه‌بندی سهام با استفاده از KMeans Transforming Features for Better Clustering & Clustering Stocks Using KMeans

• خوشه‌بندی سلسله‌مراتبی و تصویرسازی سلسله‌مراتب Hierarchical Clustering & Visualizing Hierarchies

t-SNE برای نقشه‌های دو بعدی t-SNE for 2-dimensional maps

• t-SNE برای نقشه‌های دو بعدی t-SNE for 2-dimensional maps

الگوریتم یادگیری بی‌نظارت ML: PCA PCA ML Unsupervised Learning Algorithm

• تصویرسازی تبدیل PCA و محاسبه واریانس توضیح داده شده تجمعی Visualizing The PCA Transformation & Calculating Cumulative Explained Varianc

• کاهش ابعاد با PCA Dimension Reduction with PCA

• کاهش ابعاد با PCA و Non-negative Matrix Factorization (NMF) Dimension Reduction with PCA and Non-negative Matrix Factorization (NMF)

پروژه ۳: ساخت سیستم توصیه‌گر با استفاده از NMF Project 3 Building Recommender System using NMF

• یادگیری نحوه ساخت سیستم توصیه‌گر با استفاده از NMF! Learn How to Building Recommender System using NMF!

پروژه ۴: مدل‌سازی پیش‌بینانه Project 4 Predictive Modeling

• مقدمه‌ای بر مدل‌سازی پیش‌بینانه و یادگیری ماشین Introduction to Predictive Modeling and Machine Learning

• کاوش و پیش‌پردازش داده‌ها در مجموعه داده تایتانیک Data Exploration and Preprocessing of the Titanic Dataset

• انتخاب و ارزیابی مدل در مجموعه داده تایتانیک Model Selection and Evaluation of The Titanic Dataset

• آموزش مدل و تنظیم Hyperparameter در مجموعه داده تایتانیک Model Training and Hyperparameter Tuning of The Titanic Dataset

• استقرار مدل‌های پیش‌بینانه مجموعه داده تایتانیک Deployment of The Predictive Models of The Titanic Dataset

• تکلیف برای پروژه مدل‌سازی پیش‌بینانه تایتانیک. Assignment For The Titanic Predictive Modeling Project.

پروژه ۵: پیش‌بینی ریسک اعتباری با اپلیکیشن Streamlit و XGBoost Project 5: Credit Risk Prediction with XGBoost Streamlit App

• درک ساختار و طراحی اپلیکیشن Streamlit پیش‌بینی ریسک اعتباری ما Understanding our Credit Risk Prediction Streamlit App Structure & Design

• ایجاد فایل processing_data.py Creating the processing_data.py file

• ایجاد فایل train_model.py Creating the train_model.py

• ایجاد فایل evaluate_model.py Creating the evaluate_model.py

• ایجاد فایل app.py Creating the app.py file

• اجرای اپلیکیشن و نتیجه‌گیری Running the App and Conclusion

Ollama و LLM‌های محلی Ollama and Local LLMs

• مقدمه‌ای بر LLM‌ها. Introduction to LLMs.

• مقدمه‌ای بر Ollama. Introduction to Ollama.

• مرور کلی مدل‌های Ollama، نصب و اجرا. Ollama Models Overview, Installing, and Running.

• سفارشی‌سازی مدل‌های Ollama. Ollama Models Customization.

• مدل‌های متنی Ollama. Ollama Text Models.

• مدل‌های بصری Ollama. Ollama Vision Models.

• بررسی عمیق فرمان Show Info در Ollama. Ollama Show Info Command Deep Dive.

• دستورات Ollama، انتخاب مدل‌ها، مدل‌های چندگانه و codellama. Ollama Commands, Models Selection, Multimodels model, and codellama.

• بررسی عمیق سفارشی‌سازی مدل‌های Ollama. Ollama Models Customizations Deep Dive.

• Rest API در Ollama. Ollama Rest API.

• Ollama برای ابزارهای داخلی: بررسی عمیق فنی. Ollama for Internal Tooling: Technical Deep Dive.

اپلیکیشن‌های مختلف برای تعامل با Ollama: Msty، Open Web UI، LM Studio و Streamlit Different Apps to interact with Ollama: Msty, Open Web UI, LM Studio & Streamlit

• Msty و مدل‌های Ollama. Msty & Ollama Models.

• LM Studio و Ollama. LM Studio & Ollama.

• Open Web UI و Ollama. Open Web UI & Ollama.

کتابخانه Ollama پایتون. Ollama Python Library.

• کتابخانه Ollama پایتون. Ollama Python Library.

• استفاده از Ollama Rest API در کد پایتون شما. Using Ollama Rest API in your Python Code.

پروژه ۶: ساخت اپلیکیشن‌های هوش مصنوعی مقرون به صرفه در دنیای واقعی: اپلیکیشن RAG. Project 6: Building Real World Affordable AI Apps: RAG App.

• اپلیکیشن RAG: Ollama_RAG_Mistral_Quadrant. RAG App: Ollama_RAG_Mistral_Quadrant.

• اپلیکیشن RAG: مبانی RAG و ورود داده‌ها (Data Ingestion). RAG App: Foundations of RAG and Data Ingestion.

• اپلیکیشن RAG: جاسازی‌های برداری (Vector Embeddings) و یکپارچه‌سازی Qdrant. RAG App: Vector Embeddings and Qdrant Integration.

• اپلیکیشن RAG: بسته‌بندی و استقرار اپلیکیشن RAG شما با یک رابط کاربری. RAG App: Packaging and Deploying Your RAG Application with a User Interface.

پروژه ۷: ساخت اپلیکیشن‌های هوش مصنوعی مقرون به صرفه در دنیای واقعی: اپلیکیشن دستیار کد هوش مصنوعی. Project 7: Building Real World Affordable AI Apps: AI Code Assistant App.

• مبانی دستیار کد هوش مصنوعی. AI Code Assistant Basics.

• ساخت حافظه اپلیکیشن دستیار کد هوش مصنوعی. Building AI Code Assistant App Memory.

• ساخت قابلیت چت در دستیار کد هوش مصنوعی. Building AI Code Assistant Chat Capability.

• کدنویسی اپلیکیشن دستیار کد هوش مصنوعی ما – قسمت ۱ Coding Our AI Code Assistant App Part1

• کدنویسی اپلیکیشن دستیار کد هوش مصنوعی ما – قسمت ۲ Coding Our AI Code Assistant App Part2

• کدنویسی اپلیکیشن دستیار کد هوش مصنوعی ما – قسمت ۳ Coding Our AI Code Assistant App Part3

• اجرا و بهینه‌سازی دستیار کد هوش مصنوعی ما. Running and Optimizing Our AI Code Assistant.

پروژه ۸: دستیار علم داده هوش مصنوعی با مدل‌های چندگانه Ollama. Project 8: Ollama Mullti-Modles Model AI Data Science Assistant.

• دانلود و اجرای Deep-Seek-Coder-V2 Downloading & Runing Deep-Seek-Coder-V2

• دستیار علم داده هوش مصنوعی با مدل‌های چندگانه Ollama Ollama Mullti-Models AI Data Science Assistant

• اجرای اپلیکیشن دستیار علم داده هوش مصنوعی ما. Running Our AI Data Science Assistant App.

ارائه و دمو: خلاصه‌ساز هوش مصنوعی آفلاین با Ollama (نقش بازی) Pitch & Demo: Offline AI Summarizer with Ollama Role Play

• ارائه و دمو: خلاصه‌ساز هوش مصنوعی آفلاین با Ollama. Pitch & Demo: Offline AI Summarizer with Ollama.

تشکر Thanks

• بخش اضافی Bonus