آموزش بوت‌کمپ جامع یادگیری ماشین: پایتون، پروژه‌ها و استقرار (Deployment) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• آنچه خواهید آموخت What You will Learn

مبانی یادگیری ماشین Machine Learning Basics

• تفاوت AI، ML، DL و هوش مصنوعی مولد 2.1. AI vs ML vs DL vs GenAI

• یادگیری با نظارت 2.3. Supervised Learning

• یادگیری بدون نظارت 2.4. Unsupervised Learning

• یادگیری ماشین و انواع آن 2.2. Machine Learning & Its Types

• گردش کار پروژه ML 2.5. ML Project Workflow

• بخش ۲: مبانی یادگیری ماشین Section 2 - Machine Learning Basics

راه‌اندازی محیط پایتون Python Environment Setup

• شروع کار با پایتون 3.1. Python - Getting Started

• گوگل کولب (Google Colaboratory) 3.2. Google Colaboratory

• راه‌اندازی پایتون و ژوپیتر 3.3. Python & Jupyter Setup

• راه‌اندازی VS Code 3.4. VS Code Setup

برنامه‌نویسی پایتون Python Programming

• نقشه راه بخش 4.1. Section Roadmap

• مبانی پایتون 4.2. Python Basics

• تبدیل انواع داده‌ها 4.3. Data Type Conversion

• عملگرها در پایتون 4.4. Operators in Python

• دستورات شرطی If Else 4.5. If Else Statement

• حلقه‌ها For و While 4.6. Loops - For and While

• ساختارهای داده 4.7. Data Structures

• کار با فایل‌ها 4.8. File Handling

• مدیریت خطاها 4.9. Error Handling

• توابع 4.10. Functions

• کلاس‌ها 4.11. Class

• فعالیت: ساخت اپلیکیشن ماشین‌حساب Activity - 4.12. Calculator App

• بخش ۴: برنامه‌نویسی پایتون Section 4 - Python Programming

• تمرین بخش ۴: برنامه‌نویسی پایتون Assignment - Section 4 - Python Programming

کتابخانه‌های اصلی داده برای ML Core Data Libraries for ML

• مرور کلی بخش 5.1. Section Overview

• مبانی NumPy 5.2. NumPy Basics

• مبانی Pandas 5.3. Pandas Basics

• مبانی Matplotlib 5.4. Matplotlib Basics

• مبانی Seaborn 5.5. Seaborn Basics

• فعالیت: بررسی مجموعه‌داده Iris Activity - 5.6. Iris Dataset Exploration

• بخش ۵: کتابخانه‌های اصلی داده در پایتون Section 5 - Core Data Libraries in Python

• تمرین بخش ۵: کتابخانه‌های اصلی داده در پایتون Assignment - Section 5 - Core Data Libraries ion Python

پایه ریاضی برای یادگیری ماشین Math Foundation for ML

• چرا ریاضیات برای ML مهم است 6.1. Why Math Matters for ML

• مرور کلی جبر 6.2. Algebra - Refresher

• مبانی جبر خطی 6.3. Linear Algebra Basics

• جبر خطی - عملی - بخش ۱ 6.4. Linear Algebra - Hands-on - Part 1

• جبر خطی - عملی - بخش ۲ 6.5. Linear Algebra - Hands-on - Part 2

• مبانی آمار 6.6. Statistics Basics

• آمار - عملی - بخش ۱ 6.7. Statistics - Hands-on - Part 1

• آمار - عملی - بخش ۲ 6.8. Statistics - Hands-on - Part 2

• مبانی حساب دیفرانسیل و انتگرال 6.9. Calculus Basics

• حساب دیفرانسیل - عملی - بخش ۱ 6.10. Calculus - Hands-on - Part 1

• حساب دیفرانسیل - عملی - بخش ۲ 6.11. Calculus - Hands-on - Part 2

• مبانی احتمال 6.12. Probability Basics

• احتمال - عملی 6.13. Probability - Hands-on

• بخش ۶: پایه ریاضی برای یادگیری ماشین Section 6 - Math Foundation for ML

جمع‌آوری داده‌ها Data Collection

• مرور گردش کار پروژه ML 7.1. ML Project Workflow - Recap

• مجموعه‌داده‌ها و جمع‌آوری داده‌های ML 7.2. ML Dataset & Data Collection

• بارگذاری فایل‌های CSV، Excel و Parquet 7.3. Load CSV, Excel and Parquet Files

• بارگذاری مجموعه‌داده‌های Kaggle و UCI 7.4. Load Kaggle and UCI Datasets

• بارگذاری داده‌ها از دیتابیس 7.5. Load Data from Database

• تمرین بخش ۷: جمع‌آوری داده‌ها Assignment - Section 7. Data Collection

تحلیل اکتشافی داده‌ها و بصری‌سازی Exploratory Data Analysis & Visualization

• مقدمه‌ای بر تحلیل اکتشافی داده‌ها (EDA) 8.1. Exploratory Data Analysis - Intro

• بررسی کیفیت داده‌ها 8.2. Data Quality Checks

• تحلیل تک‌متغیره 8.3. Univariate Analysis

• تحلیل دو متغیره 8.4. Bivariate Analysis

• تحلیل چند متغیره 8.5. Multivariate Analysis

• شناسایی داده‌های پرت (Outlier) 8.6. Outlier Detection

• فعالیت: پروژه کامل EDA Activity - 8.7. Full EDA Project

• تمرین بخش ۸: EDA و بصری‌سازی Assignment - Section 8. EDA and Visualization

پیش‌پردازش داده‌ها Data Preprocessing

• مرور کلی پیش‌پردازش داده‌ها 9.1. Data Preprocessing Overview

• تقسیم داده‌ها به آموزش و تست 9.2. Train Test Split

• مدیریت مقادیر گم‌شده (Missing Values) 9.3. Handling Missing Values

• کدگذاری ویژگی‌های دسته‌ای (Categorical) 9.4. Encoding Categorical Features

• مدیریت داده‌های پرت 9.5. Outlier Treatment

• مدیریت داده‌های نامتوازن 9.6. Handling Imbalanced Data

• استانداردسازی و نرمال‌سازی 9.7. Standardization and Normalization

• فعالیت: پروژه کامل پیش‌پردازش داده‌ها Activity - 9.8. Full Data Preprocessing Project

طبقه‌بندی (Classification) Classification

• مرور کلی طبقه‌بندی 10.1. Classification Overview

• مدل‌های طبقه‌بندی - بصیرت - بخش ۱ 10.2. Classification Models - Intuition - Part 1

• مدل‌های طبقه‌بندی - بصیرت - بخش ۲ 10.3. Classification Models - Intuition - Part 2

• مدل‌های طبقه‌بندی - بصیرت - بخش ۳ 10.4. Classification Models - Intuition - Part 3

• مقایسه مدل‌های طبقه‌بندی 10.5. Classification Models - Comparison

• معیارهای ارزیابی طبقه‌بندی 10.6. Evaluation Metrics - Classification

• فعالیت: طبقه‌بندی - عملی Activity - 10.7. Classification - Hands-on

• بخش ۱۰: طبقه‌بندی Section 10. Classification

رگرسیون (Regression) Regression

• مرور کلی رگرسیون 11.1. Regression Overview

• مدل‌های رگرسیون - بصیرت 11.2. Regression Models - Intuition

• سایر مدل‌های رگرسیون 11.3. Other Regression Models

• مقایسه مدل‌های رگرسیون 11.4. Regression Models - Comparison

• معیارهای ارزیابی رگرسیون 11.5. Evaluation Metrics - Regression

• توازن بین بایاس و واریانس 11.6. Bias - Variance Tradeoff

• فعالیت: رگرسیون - عملی Activity - 11.7. Regression - Hands-on

• بخش ۱۱: رگرسیون Section 11. Regression

آموزش و اعتبارسنجی مدل Model Training and Validation

• آموزش در مقابل استنتاج (Inference) 12.1. Training vs Inference

• عملکرد آموزش در مقابل تست 12.2. Training vs Test Performance

• محدودیت‌های تقسیم آموزش-تست 12.3. Limitations of Train-Test-Split

• بصیرت اعتبارسنجی متقابل (Cross Validation) 12.4. Cross Validation - Intuition

• اعتبارسنجی متقابل K-Fold - عملی 12.5. K-Fold Cross Validation - Hands-on

• مشکلات رایج مدل‌ها 12.6. Common Model Problems

• بخش ۱۲: آموزش و اعتبارسنجی مدل Section 12. Model Training and Validation

بهینه‌سازی و انتخاب مدل Model Optimization and Selection

• بصیرت تنظیم هایپرپارامترها 13.1. Hyperparameter Tuning - Intuition

• تنظیم هایپرپارامترها - عملی 13.2. Hyperparameter Tuning - Hands-on

• انتخاب مدل - عملی 13.3. Model Selection - Hands-on

• انتخاب ویژگی‌ها - عملی 13.4. Feature Selection - Hands-on

• چک‌لیست بهینه‌سازی مدل 13.5. Model Optimization Checklist

یادگیری بدون نظارت Unsupervised Learning

• مرور یادگیری بدون نظارت 14.1. Unsupervised Learning - Recap

• بصیرت مدل‌های خوشه‌بندی 14.2. Clustering Models - Intuition

• خوشه‌بندی - عملی 14.3. Clustering - Hands-on

• تحلیل مؤلفه‌های اصلی (PCA) 14.4. Principal Component Analysis

• PCA - عملی 14.5. PCA - Hands-on

• بخش ۱۴: یادگیری بدون نظارت Section 14. Unsupervised Learning

پروژه‌های یادگیری ماشین Machine Learning Projects

• مرور کلی پروژه‌های ML 15.0. ML Projects - Overview

• طبقه‌بندی سیگنال‌های سونار 15.1. Sonar Signal Classification

• تشخیص سرطان سینه 15.2. Breast Cancer Diagnosis

• تشخیص کلاهبرداری کارت اعتباری 15.3. Credit Card Fraud Detection

• پیش‌بینی قیمت خانه 15.4. House Price Prediction

• پیش‌بینی هزینه بیمه پزشکی 15.5. Medical Insurance Cost Prediction

• بخش‌بندی مشتریان با خوشه‌بندی 15.6. Customer Segmentation - Clustering

• پیش‌بینی اخبار جعلی 15.7. Fake News Prediction

• پیش‌بینی سری‌های زمانی 15.8. Time Series Forecasting

• تمرین بخش ۱۵: پروژه‌های ML Assignment - Section 15. ML Projects

استقرار مدل یادگیری ماشین ML Model Deployment

• مرور کلی استقرار ML 16.1. ML Deployment - Overview

• ذخیره و بارگذاری مدل‌های آموزش‌دیده 16.2. Saving and Loading Trained Models

• تبدیل نوت‌بوک‌ها به اسکریپت‌های پایتون 16.3. From Notebooks to Python Scripts

• اسکریپت‌های آموزش و پیش‌بینی 16.4. Training and Prediction Scripts

• رابط کاربری Streamlit برای مدل ML 16.5. Streamlit UI for ML Model

• توسعه API با FastAPI 16.6. API development with FastAPI

• ارائه مدل ML به‌صورت API 16.7. Serve ML Model as API

• یکپارچه‌سازی FastAPI و Streamlit 16.8. FastAPI and Streamlit Integration

• مبانی Git و GitHub 16.9. Git and GitHub Basics

• استقرار API یادگیری ماشین روی AWS EC2 16.10. Deploy ML API on AWS EC2

پروژه‌های نهایی - سیستم‌های ML جامع و آماده تولید Capstone Projects - End-to-End & Production-Ready ML Systems

• مرور کلی پروژه‌های نهایی 17.0. Capstone Projects - Overview

• Medbuddy.ML - سیستم پیش‌بینی بیماری قلبی 17.1.1. Medbuddy.ML - Heart Disease Prediction System

• MedBuddy.ML - ساخت مدل 17.1.2. MedBuddy.ML - Model Building

• MedBuddy.ML - بک‌اند (Backend) 17.1.3. MedBuddy.ML - Backend

• MedBuddy.ML - فرانت‌اند (Frontend) 17.1.4. MedBuddy.ML - Frontend

• MedBuddy.ML - استقرار روی EC2 17.1.5. MedBuddy.ML - EC2 Deployment

• Dr. ML - سیستم پیش‌بینی چندین بیماری 17.2.1. Dr. ML - Multiple Disease Prediction System

• Dr. ML - اسکریپت‌های آموزش و پیش‌بینی 17.2.2. Dr. ML - Training and Prediction Scripts

• Dr. ML - بک‌اند (Backend) 17.2.3. Dr. ML - Backend

• Dr. ML - فرانت‌اند (Frontend) 17.2.4. Dr. ML - Frontend

• Dr. ML - استقرار روی EC2 17.2.5. Dr. ML - EC2 Deployment

جمع‌بندی Conclusion

• جمع‌بندی Conclusion