آموزش توسعه هوش مصنوعی و پایتون: مگا کلاس با بیش از 300 پروژه - آخرین آپدیت

سرفصل ها و درس ها

هفته 1: مبانی برنامه نویسی در پایتون Semana 1: Fundamentos de programación en Python

• معرفی هفته 1: مبانی برنامه نویسی در پایتون Introducción a la Semana 1: Fundamentos de programación en Python

• روز 1: معرفی پایتون و پیکربندی محیط توسعه Día 1: Introducción a Python y configuración del entorno de desarrollo

• روز 2: کنترل جریان در پایتون Día 2: Control de flujo en Python

• روز 3: توابع و ماژول ها Día 3: Funciones y módulos

• روز 4: ساختارهای داده (لیست ها، تاپل ها، دیکشنری ها، مجموعه ها) Día 4: Estructuras de datos (Listas, Tuplas, Diccionarios, Conjuntos)

• روز 5: کار با رشته های متنی Día 5: Trabajo con cadenas de texto

• روز 6: مدیریت فایل ها Día 6: Manejo de archivos

• روز 7: کدنویسی پایتونیک و کار روی پروژه Día 7: Código pythónico y trabajo de proyecto

• اسلایدها و کد برای دوره Diapositivas y código para el curso

هفته 2: مبانی علم داده Semana 2: Fundamentos de la Ciencia de Datos

• معرفی هفته 2: مبانی علم داده Introducción a la Semana 2: Fundamentos de la Ciencia de Datos

• روز 1: معرفی NumPy برای محاسبات عددی Día 1: Introducción a NumPy para computación numérica

• روز 2: عملیات پیشرفته با NumPy Día 2: Operaciones avanzadas con NumPy

• روز 3: معرفی Pandas برای دستکاری داده ها Día 3: Introducción a Pandas para la manipulación de datos

• روز 4: پاکسازی و آماده سازی داده ها با Pandas Día 4: Limpieza y preparación de datos con Pandas

• روز 5: تجمیع و گروه بندی داده ها در Pandas Día 5: Agregación y agrupamiento de datos en Pandas

• روز 6: مصورسازی داده ها با Matplotlib و Seaborn Día 6: Visualización de datos con Matplotlib y Seaborn

• روز 7: پروژه تحلیل اکتشافی داده (EDA) Día 7: Proyecto de Análisis Exploratorio de Datos (EDA)

هفته 3: ریاضیات برای یادگیری ماشین Semana 3: Matemáticas para el Aprendizaje Automático

• معرفی هفته 3: ریاضیات برای یادگیری ماشین Introducción a la Semana 3: Matemáticas para el Aprendizaje Automático

• روز 1: مبانی جبر خطی Día 1: Fundamentos de Álgebra Lineal

• روز 2: مفاهیم پیشرفته جبر خطی Día 2: Conceptos avanzados de álgebra lineal

• روز 3: حساب دیفرانسیل برای یادگیری ماشین (مشتقات) Día 3: Cálculo para el Aprendizaje Automático (Derivadas)

• روز 4: حساب انتگرال برای یادگیری ماشین (انتگرال ها و بهینه سازی) Día 4: Cálculo para el Aprendizaje Automático (Integrales y Optimización)

• روز 5: نظریه احتمال و توزیع ها Día 5: Teoría de la probabilidad y distribuciones

• روز 6: مبانی آمار Día 6: Fundamentos de estadística

• روز 7: پروژه کوچک مبتنی بر ریاضیات - رگرسیون خطی از صفر Día 7: Mini proyecto basado en matemáticas – Regresión lineal desde cero

هفته 4: احتمال و آمار برای یادگیری ماشین Semana 4: Probabilidad y Estadística para el Aprendizaje Automático

• معرفی هفته 4: احتمال و آمار برای یادگیری ماشین Introducción a la Semana 4: Probabilidad y Estadística para el Aprendizaje Autom

• روز 1: نظریه احتمال و متغیرهای تصادفی Día 1: Teoría de la probabilidad y variables aleatorias

• روز 2: توزیع های احتمال در یادگیری ماشین Día 2: Distribuciones de probabilidad en el aprendizaje automático

• روز 3: استنباط آماری - تخمین و فواصل اطمینان Día 3: Inferencia estadística - Estimación e intervalos de confianza

• روز 4: آزمون های فرضیه و مقادیر p Día 4: Pruebas de hipótesis y valores p

• روز 5: انواع آزمون های فرضیه Día 5: Tipos de pruebas de hipótesis

• روز 6: تحلیل همبستگی و رگرسیون Día 6: Análisis de correlación y regresión

• روز 7: پروژه تحلیل آماری - تحلیل داده های دنیای واقعی Día 7: Proyecto de análisis estadístico – Análisis de datos del mundo real

هفته 5: مقدمه ای بر یادگیری ماشین Semana 5: Introducción al Aprendizaje Automático

• معرفی هفته 5: مقدمه ای بر یادگیری ماشین Introducción a la Semana 5: Introducción al Aprendizaje Automático

• روز 1: مبانی یادگیری ماشین و اصطلاحات Día 1: Fundamentos del Aprendizaje Automático y Terminología

• روز 2: مقدمه ای بر یادگیری نظارت شده و مدل های رگرسیون Día 2: Introducción al Aprendizaje Supervisado y Modelos de Regresión

• روز 3: مدل های رگرسیون پیشرفته - رگرسیون چند جمله ای و منظم سازی Día 3: Modelos de regresión avanzados – Regresión polinómica y regularización

• روز 4: مقدمه ای بر طبقه بندی و رگرسیون لجستیک Día 4: Introducción a la clasificación y regresión logística

• روز 5: ارزیابی مدل ها و اعتبارسنجی متقابل Día 5: Evaluación de modelos y validación cruzada

• روز 6: الگوریتم k نزدیکترین همسایه (k-NN) Día 6: Algoritmo k-Vecinos más cercanos (k-NN)

• روز 7: پروژه کوچک یادگیری نظارت شده Día 7: Mini proyecto de aprendizaje supervisado

هفته 6: مهندسی ویژگی و ارزیابی مدل Semana 6: Ingeniería de características y evaluación de modelos

• معرفی هفته 6: مهندسی ویژگی و ارزیابی مدل Introducción a la Semana 6: Ingeniería de características y evaluación de modelo

• روز 1: مقدمه ای بر مهندسی ویژگی Día 1: Introducción a la ingeniería de características

• روز 2: مقیاس بندی و نرمال سازی داده ها Día 2: Escalado y normalización de datos

• روز 3: کدگذاری متغیرهای دسته بندی Día 3: Codificación de variables categóricas

• روز 4: تکنیک های انتخاب ویژگی Día 4: Técnicas de selección de características

• روز 5: ایجاد و تبدیل ویژگی ها Día 5: Creación y transformación de características

• روز 6: تکنیک های ارزیابی مدل Día 6: Técnicas de evaluación de modelos

• روز 7: اعتبارسنجی متقابل و تنظیم ابرپارامترها Día 7: Validación cruzada y ajuste de hiperparámetros

هفته 7: الگوریتم های پیشرفته یادگیری ماشین Semana 7: Algoritmos avanzados de aprendizaje automático

• معرفی هفته 7: الگوریتم های پیشرفته یادگیری ماشین Introducción a la Semana 7: Algoritmos avanzados de aprendizaje automático

• روز 1: مقدمه ای بر یادگیری تجمیعی (Ensemble Learning) Día 1: Introducción al aprendizaje en conjunto (Ensemble Learning)

• روز 2: Bagging و جنگل های تصادفی (Random Forests) Día 2: Bagging y Bosques Aleatorios (Random Forests)

• روز 3: Boosting و Gradient Boosting Día 3: Boosting y Gradient Boosting

• روز 4: مقدمه ای بر XGBoost Día 4: Introducción a XGBoost

• روز 5: LightGBM و CatBoost Día 5: LightGBM y CatBoost

• روز 6: مدیریت داده های نامتوازن Día 6: Manejo de datos desequilibrados

• روز 7: پروژه یادگیری تجمیعی - مقایسه مدل ها در داده های واقعی Día 7: Proyecto de apredizaje en conjunto Comparación de modelos en datos reales

هفته 8: تنظیم و بهینه سازی مدل ها Semana 8: Ajuste y optimización de modelos

• معرفی هفته 8: تنظیم و بهینه سازی مدل ها Introducción a la Semana 8: Ajuste y optimización de modelos

• روز 1: مقدمه ای بر تنظیم ابرپارامترها Día 1: Introducción al ajuste de hiperparámetros

• روز 2: جستجوی شبکه ای (Grid Search) و جستجوی تصادفی (Random Search) Día 2: Búsqueda en cuadrícula (Grid Search) y búsqueda aleatoria (Random Search)

• روز 3: تنظیم پیشرفته ابرپارامترها با بهینه سازی بیزی Día 3: Ajuste avanzado de hiperparámetros con optimización bayesiana

• روز 4: تکنیک های منظم سازی برای بهینه سازی مدل ها Día 4: Técnicas de regularización para la optimización de modelos

• روز 5: اعتبارسنجی متقابل و تکنیک های ارزیابی مدل ها Día 5: Validación cruzada y técnicas de evaluación de modelos

• روز 6: تنظیم خودکار ابرپارامترها با GridSearchCV و RandomizedSearch Día 6: Ajuste automatizado de hiperparámetros con GridSearchCV y RandomzedSearch

• روز 7: پروژه بهینه سازی - ساخت و تنظیم یک مدل نهایی Día 7: Proyecto de optimización – Construcción y ajuste de un modelo final

هفته 9: مبانی شبکه های عصبی و یادگیری عمیق Semana 9: Fundamentos de redes neuronales y aprendizaje profundo

• معرفی هفته 9: مبانی شبکه های عصبی و یادگیری عمیق Introducción a la Semana 9: Fundamentos de redes neuronales y aprendizaje profun

• روز 1: مقدمه ای بر یادگیری عمیق و شبکه های عصبی Día 1: Introducción al aprendizaje profundo y redes neuronales

• روز 2: انتشار رو به جلو و توابع فعال سازی Día 2: Propagación hacia adelante y funciones de activación

• روز 3: توابع زیان و پس انتشار Día 3: Funciones de pérdida y retropropagación

• روز 4: نزول گرادیان و تکنیک های بهینه سازی Día 4: Descenso de gradiente y técnicas de optimización

• روز 5: ساخت شبکه های عصبی با TensorFlow و Keras Día 5: Construcción de redes neuronales con TensorFlow y Keras

• روز 6: ساخت شبکه های عصبی با PyTorch Día 6: Construcción de redes neuronales con PyTorch

• روز 7: پروژه شبکه های عصبی - طبقه بندی تصاویر در CIFAR-10 Día 7: Proyecto de redes neuronales – Clasificación de imágenes en CIFAR-10

هفته 10: شبکه های عصبی کانولوشن (CNNs) Semana 10: Redes Neuronales Convolucionales (CNNs)

• معرفی هفته 10: شبکه های عصبی کانولوشن (CNNs) Introducción a la Semana 10: Redes Neuronales Convolucionales (CNNs)

• روز 1: مقدمه ای بر شبکه های عصبی کانولوشن (CNNs) Día 1: Introducción a las Redes Neuronales Convolucionales (CNNs)

• روز 2: لایه های کانولوشنی و فیلترها Día 2: Capas convolucionales y filtros

• روز 3: لایه های ادغام (Pooling) و کاهش ابعاد Día 3: Capas de agrupamiento (Pooling) y reducción de dimensionalidad

• روز 4: ساخت معماری های CNN با Keras و TensorFlow Día 4: Construcción de arquitecturas CNN con Keras y TensorFlow

• روز 5: ساخت معماری های CNN با PyTorch Día 5: Construcción de arquitecturas CNN con PyTorch

• روز 6: منظم سازی و افزایش داده برای CNNs Día 6: Regularización y aumento de datos para CNNs

• روز 7: پروژه CNN - طبقه بندی تصاویر در Fashion MNIST یا CIFAR-10 Día 7: Proyecto de CNN – Clasificación de imágenes en Fashion MNIST o CIFAR-10

هفته 11: شبکه های عصبی بازگشتی (RNNs) و مدل سازی توالی Semana 11: Redes Neuronales Recurrentes (RNNs) y Modelado de Secuencias

• معرفی هفته 11: شبکه های عصبی بازگشتی و مدل سازی توالی Introducción a la Semana 11: Redes Neuronales Recurentes y Modelado de Secuencia

• روز 1: مقدمه ای بر مدل سازی توالی و RNNs Día 1: Introducción al modelado de secuencias y las RNNs

• روز 2: درک معماری RNN و پس انتشار (BPTT) Día 2: Comprensión de la arquitectura de RNN y retropropagación (BPTT)

• روز 3: شبکه های حافظه بلند مدت (LSTM) Día 3: Redes de Memoria a Largo Plazo (LSTM)

• روز 4: واحدهای بازگشتی با دروازه (GRUs) Día 4: Unidades Recurrentes con Puertas (GRUs)

• روز 5: پیش پردازش متن و نمایش های کلمه (word embeddings) Día 5: Preprocesamiento de texto y representaciones de palabras (word embeddings

• روز 6: مدل های توالی به توالی و کاربردها Día 6: Modelos de secuencia a secuencia y aplicaciones

• روز 7: پروژه RNN - تولید متن یا تحلیل احساسات Día 7: Proyecto de RNN – Generación de texto o Análisis de sentimientos

هفته 12: Transformers و مکانیسم های توجه Semana 12: Transformers y mecanismos de atención

• معرفی هفته 12: Transformers و مکانیسم های توجه Introducción a la Semana 12: Transformers y mecanismos de atención

• روز 1: مقدمه ای بر مکانیسم های توجه Día 1: Introducción a los mecanismos de atención

• روز 2: مقدمه ای بر معماری Transformers Día 2: Introducción a la arquitectura de Transformers

• روز 3: خود-توجهی و توجه چند کانالی (multi-head attention) در Transformers Día 3: Auto-atención y atención multicanal (multi-head attention) en Transformer

• روز 4: کدگذاری موقعیتی و شبکه های feed-forward در Transformers Día 4: Codificación posicional y redes feed-forward en Transformers

• روز 5: تمرین با Transformers از پیش آموزش داده شده - BERT و GPT Día 5: Práctica con Transformers preentrenados – BERT y GPT

• روز 6: Transformers پیشرفته - انواع BERT و GPT-3 Día 6: Transformers avanzados – Variantes de BERT y GPT-3

• روز 7: پروژه Transformers - خلاصه سازی متن یا ترجمه Día 7: Proyecto de Transformers – Resumen de texto o Traducción

هفته 13: یادگیری انتقالی و تنظیم دقیق (Fine-Tuning) Semana 13: Aprendizaje por transferencia y ajuste fino (Fine-Tuning)

• معرفی هفته 13: یادگیری انتقالی و تنظیم دقیق Introducción a la Semana 13: Aprendizaje por transferencia y ajuste fino

• روز 1: مقدمه ای بر یادگیری انتقالی Día 1: Introducción al aprendizaje por transferencia

• روز 2: یادگیری انتقالی در بینایی کامپیوتر Día 2: Aprendizaje por transferencia en visión por computadora

• روز 3: تکنیک های تنظیم دقیق در بینایی کامپیوتر Día 3: Técnicas de ajuste fino en visión por computadora

• روز 4: یادگیری انتقالی در PLN (پردازش زبان طبیعی) Día 4: Aprendizaje por transferencia en PLN (Procesamiento de Lenguaje Natural)

• روز 5: تکنیک های تنظیم دقیق در PLN (پردازش زبان طبیعی) Día 5: Técnicas de ajuste fino en PLN (Procesamiento de Lenguaje Natural)

• روز 6: انطباق با دامنه و چالش های یادگیری انتقالی Día 6: Adaptación al dominio y desafíos del aprendizaje por transferencia

• روز 7: پروژه انتقال - تنظیم دقیق برای وظیفه خاص Día 7: Proyecto de transferencia – Ajuste fino para tarea específica

هفته 1: مبانی پایتون Semana 1: Fundamentos de Python

• دوره سریع: پایتون را از صفر یاد بگیرید Curso rápido: Aprende Python desde cero

• روز 1: تولید کننده پیام خوش آمد گویی: چاپ و "سلام دنیا" Día 1: Generador de mensaje de bienvenida: impresión y "Hola Mundo"

• روز 2: برنامه تبریک شخصی سازی شده: متغیرها و انواع داده ها Día 2: Programa de saludo personalizado: variables y tipos de datos

• روز 3: ماشین حساب ساده: ورودی کاربر و قالب رشته Día 3: Calculadora simple: entrada del usuario y formato de cadena

• روز 4: مقایسه کننده اعداد: جملات if-else Día 4: Comparador de números: sentencias if-else

• روز 5: تایمر شمارش معکوس: حلقه ها (for و while) Día 5: Temporizador regresivo: bucles (for y while)

• روز 6: بازی سوالات ریاضی: توابع Día 6: Juego de preguntas matemáticas: funciones

• روز 7: لیست خرید: لیست ها Día 7: Lista de compras: listas

هفته 2: پایتون متوسط Semana 2: Python Intermedio

• روز 8: دفترچه تلفن: دیکشنری ها Día 8: Agenda de contactos: diccionarios

• روز 9: بررسی کننده مواد تشکیل دهنده: تاپل ها و مجموعه ها Día 9: Verificador de ingredientes: tuplas y conjuntos

• روز 10: برنامه یادداشت برداری: مدیریت فایل ها Día 10: App para tomar notas: manejo de archivos

• روز 11: ماشین حساب ایمن: مدیریت استثناها Día 11: Calculadora segura: manejo de excepciones

• روز 12: تبدیل کننده دما: توابع با مقدار برگشتی Día 12: Convertidor de temperatura: funciones con retorno

• روز 13: مدیر نمرات: لیست های درک مطلب Día 13: Gestor de calificaciones: listas por comprensión

• روز 14: تولید کننده رمز عبور: ماژول ها و کتابخانه ها Día 14: Generador de contraseñas: módulos y bibliotecas

هفته 3: کار با داده ها Semana 3: Trabajando con Datos

• روز 15: نمایشگر دستور العمل ها: خواندن فایل ها Día 15: Visor de recetas: lectura de archivos

• روز 16: ثبت روزانه: نوشتن فایل ها Día 16: Registro diario: escritura de archivos

• روز 17: گزارش دانشجویان: فایل های CSV Día 17: Informe de estudiantes: archivos CSV

• روز 18: برنامه وظایف: فایل های JSON Día 18: App de tareas: archivos JSON

• روز 19: برنامه آب و هوا با API: معرفی API ها Día 19: App del clima con API: introducción a APIs

• روز 20: تایمر رویدادها: تاریخ ها و زمان Día 20: Temporizador de eventos: fechas y tiempo

• روز 21: استخراج کننده ویکی پدیا: وب اسکرپینگ Día 21: Extractor de Wikipedia: web scraping

هفته 4: برنامه نویسی شی گرا (POO) Semana 4: Programación Orientada a Objetos (POO)

• روز 22: شبیه ساز حساب بانکی: کلاس ها و اشیا Día 22: Simulador de cuenta bancaria: clases y objetos

• روز 23: سیستم کتابخانه: سازنده ها و روش ها Día 23: Sistema de biblioteca: constructores y métodos

• روز 24: مدیریت کارمندان: ارث بری Día 24: Gestión de empleados: herencia

• روز 25: شبیه ساز صداهای حیوانات: چند ریختی Día 25: Simulador de sonidos animales: polimorfismo

• روز 26: پروفایل کاربر ایمن: کپسوله سازی Día 26: Perfil de usuario seguro: encapsulación

• روز 27: موجودی: روش های استاتیک و کلاس Día 27: Inventario: métodos estáticos y de clase

• روز 28: مینی دستگاه خودپرداز: پروژه نهایی POO Día 28: Cajero automático mini: proyecto final de POO

هفته 5: رابط های گرافیکی (GUI) emana 5: Interfaces Gráficas (GUI)

• روز 29: برنامه GUI ساده: مبانی Tkinter Día 29: App GUI simple: fundamentos de Tkinter

• روز 30: شمارنده کلیک: دکمه ها و رویدادها Día 30: Contador de clics: botones y eventos

• روز 31: ماشین حساب BMI: فیلدهای ورودی Día 31: Calculadora IMC: campos de entrada

• روز 32: پد طراحی: ویجت های بوم Día 32: Bloc de dibujo: widgets de lienzo

• روز 33: سیستم ورود به سیستم: کادرهای پیام Día 33: Sistema de inicio de sesión: cuadros de mensaje

• روز 34: لیست وظایف GUI: ویجت های پیشرفته Día 34: Lista de tareas GUI: widgets avanzados

• روز 35: برنامه هزینه ها: پروژه نهایی GUI Día 35: App de gastos: proyecto final de GUI

هفته 6: توسعه وب با پایتون Semana 6: Desarrollo Web con Python

• روز 36: سلام Flask: مبانی Flask Día 36: Hola Flask: fundamentos de Flask

• روز 37: وبلاگ شخصی: مسیرها و الگوها Día 37: Blog personal: rutas y plantillas

• روز 38: فرم تماس: فرم ها و ورودی ها Día 38: Formulario de contacto: formularios y entradas

• روز 39: ثبت نام کاربر: ادغام با پایگاه داده Día 39: Registro de usuario: integración con base de datos

• روز 40: مینی API آب و هوا: API های REST Día 40: Mini API del clima: APIs REST

• روز 41: استقرار Flask: انتشار برنامه ها Día 41: Despliegue de Flask: publicación de apps

• روز 42: نمونه کار وب: پروژه نهایی با Flask Día 42: Portafolio web: proyecto final con Flask

هفته 7: مبانی علم داده Semana 7: Fundamentos de Ciencia de Datos

• روز 43: ماشین حساب ماتریس: NumPy Día 43: Calculadora de matrices: NumPy

• روز 44: پاک کننده داده: Pandas Día 44: Limpiador de datos: Pandas

• روز 45: تولید کننده نمودار: Matplotlib Día 45: Generador de gráficos: Matplotlib

• روز 46: تجزیه و تحلیل فروش: تجزیه و تحلیل داده ها Día 46: Analizador de ventas: análisis de datos

• روز 47: ردیاب دما: تجسم Día 47: Trazador de temperatura: visualización

• روز 48: ردیاب سهام: خراشیدن داده ها Día 48: Rastreador de acciones: scraping de datos

• روز 49: پنل COVID-19: پروژه نهایی Día 49: Panel COVID-19: proyecto final

روزهای 50–60: پروژه های متوسط Días 50–60: Proyectos Intermedios

• روز 50: داشبورد آب و هوا Día 50: Panel de clima

• روز 51: ردیابی هزینه Día 51: Seguimiento de gastos

• روز 52: سازمان دهنده فایل Día 52: Organizador de archivos

• روز 53: بازی Tic-Tac-Toe Día 53: Juego de Tic-Tac-Toe

• روز 54: مینی چت بات Día 54: Mini chatbot

• روز 55: سازمان دهنده موسیقی Día 55: Organizador de música

• روز 56: برنامه ریز بودجه Día 56: Planificador de presupuesto

• روز 57: تولید کننده هنر ASCII Día 57: Generador de arte ASCII

• روز 58: تایمر Pomodoro Día 58: Temporizador Pomodoro

• روز 59: مبدل Markdown به HTML Día 59: Convertidor Markdown a HTML

• روز 60: دفتر خاطرات شخصی Día 60: Diario personal

روزهای 61–70: پروژه های پیشرفته متوسط Días 61–70: Proyectos Avanzados Intermedios

• روز 61: اسکرابر رسانه های اجتماعی Día 61: Scraper de redes sociales

• روز 62: ابزار پشتیبان گیری خودکار Día 62: Herramienta de backup automático

• روز 63: توصیه کننده فیلم Día 63: Recomendador de películas

• روز 64: ادغام کننده PDF Día 64: Fusionador de PDFs

• روز 65: بک اند برای نمونه کار وب Día 65: Backend para portafolio web

• روز 66: برنامه فلش کارت Día 66: App de tarjetas de estudio

• روز 67: داشبورد بازار سهام Día 67: Panel del mercado bursátil

• روز 68: برنامه ریز کار Día 68: Planificador de tareas

• روز 69: مبدل ارز Día 69: Convertidor de monedas

• روز 70: تجسم کننده داده ها Día 70: Visualizador de datos

روزهای 71–80: پروژه های هوش مصنوعی و یادگیری ماشین Días 71–80: Proyectos de IA y Machine Learning

• روز 71: آشکارساز هرزنامه Día 71: Detector de spam

• روز 72: تحلیلگر احساسات Día 72: Analizador de sentimientos

• روز 73: تشخیص ارقام دست نویس Día 73: Reconocimiento de dígitos escritos

• روز 74: دستیار صوتی Día 74: Asistente de voz

• روز 75: برنامه تشخیص چهره Día 75: App de detección facial

• روز 76: سیستم توصیه های ساده Día 76: Sistema de recomendaciones simple

• روز 77: چت بات هوش مصنوعی با NLP Día 77: Chatbot IA con NLP

• روز 78: برنامه تشخیص شی Día 78: App de detección de objetos

• روز 79: مترجم زبان Día 79: Traductor de idiomas

• روز 80: ردیاب اخبار جعلی Día 80: Detector de noticias falsas

الگوریتم های یادگیری ماشین در پایتون Algoritmos de Machine Learning en Python

• مقدمه ای بر الگوریتم های ML و پیاده سازی در پایتون Introducción a algoritmos de ML e implementación en Python

• 1. رگرسیون خطی 1. Regresión lineal

• 2. رگرسیون Ridge و Lasso 2. Regresión Ridge y Lasso

• 3. رگرسیون چند جمله ای 3. Regresión polinómica

• 4. رگرسیون لجستیک 4. Regresión logística

• 5. K-نزدیکترین همسایه (KNN) 5. K-Vecinos más cercanos (KNN)

• 6. ماشین های بردار پشتیبان (SVM) 6. Máquinas de vectores soporte (SVM)

• 7. درخت های تصمیم 7. Árboles de decisión

• 8. جنگل های تصادفی 8. Bosques aleatorios (Random Forests)

• 9. تقویت گرادیان 9. Boosting por gradiente

• 10. Naive Bayes 10. Naive Bayes

• 11. خوشه بندی K-Means 11. Agrupamiento K-Means

• 12. خوشه بندی سلسله مراتبی 12. Agrupamiento jerárquico

• 13. DBSCAN 13. DBSCAN

• 14. مدل های مخلوط گاوسی (GMM) 14. Modelos de mezcla gaussiana (GMM)

• 15. تجزیه و تحلیل مولفه اصلی (PCA) 15. Análisis de componentes principales (PCA)

• 16. t-SNE (t-Distributed Stochastic Neighbor Embedding) 16. t-SNE (t-Distributed Stochastic Neighbor Embedding)

• 17. Autoencoders 17. Autoencoders

• 18. خودآموزی 18. Self-training

• 19. Q-learning 19. Q-learning

• 20. شبکه های عصبی عمیق Q (DQN) 20. Redes neuronales profundas Q (DQN)

• 21. روش های Policy Gradient 21. Métodos de Policy Gradient

• 22. One-Class SVM 22. One-Class SVM

• 23. جنگل های جداسازی 23. Bosques de aislamiento

• 24. شبکه های عصبی کانولوشن (CNNs) 24. Redes neuronales convolucionales (CNNs)

• 25. شبکه های عصبی بازگشتی (RNNs) 25. Redes neuronales recurrentes (RNNs)

• 26. حافظه کوتاه مدت بلند (LSTM) 26. Memoria a largo corto plazo (LSTM)

• 27. Transformers 27. Transformers