آموزش دوره جامع هوش مصنوعی و توسعه پایتون - بیش از 300 پروژه عملی - آخرین آپدیت

سرفصل ها و درس ها

هفته 1: مبانی برنامه نویسی پایتون برای هوش مصنوعی Week 1: Python Programming Basics for Artificial Intelligence

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

• روز 1: معرفی پایتون و راه اندازی محیط توسعه Day 1: Introduction to Python and Development Setup

• روز 2: 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 (لیست ها، تاپل ها، دیکشنری ها، مجموعه ها) Day 4: Data Structures (Lists, Tuples, Dictionaries, Sets)

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

• روز 6: کار با فایل ها Day 6: File Handling

• روز 7: کدنویسی پایتونیک و کار بر روی پروژه Day 7: Pythonic Code and Project Work

• اسلایدها و کد دوره Slides and Code for Course

هفته 2: ضروریات علم داده برای هوش مصنوعی Week 2: Data Science Essentials for Artificial Intelligence

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

• روز 1: معرفی NumPy برای محاسبات عددی Day 1: Introduction to NumPy for Numerical Computing

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

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

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

• روز 5: تجمیع و گروه بندی داده ها در Pandas Day 5: Data Aggregation and Grouping in Pandas

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

• روز 7: پروژه تحلیل اکتشافی داده (EDA) Day 7: Exploratory Data Analysis (EDA) Project

هفته 3: ریاضیات برای یادگیری ماشین و هوش مصنوعی Week 3: Mathematics for Machine Learning and Artificial Intelligence

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

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

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

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

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

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

• روز 6: مبانی آمار Day 6: Statistics Fundamentals

• روز 7: پروژه کوچک مبتنی بر ریاضی - رگرسیون خطی از صفر Day 7: Math-Driven Mini Project – Linear Regression from Scratch

هفته 4: احتمالات و آمار برای یادگیری ماشین و هوش مصنوعی Week 4: Probability and Statistics for Machine Learning and AI

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

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

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

• روز 3: استنباط آماری - برآورد و فواصل اطمینان Day 3: Statistical Inference - Estimation and Confidence Intervals

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

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

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

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

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

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

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

• روز 2: معرفی یادگیری نظارت شده و مدل های 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 4: معرفی طبقه بندی و رگرسیون لجستیک Day 4: Introduction to Classification and Logistic Regression

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

• روز 6: الگوریتم k-نزدیکترین همسایه (k-NN) Day 6: k-Nearest Neighbors (k-NN) Algorithm

• روز 7: پروژه کوچک یادگیری نظارت شده Day 7: Supervised Learning Mini Project

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

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

• روز 1: معرفی مهندسی ویژگی Day 1: Introduction to Feature Engineering

• روز 2: مقیاس بندی و نرمال سازی داده ها Day 2: Data Scaling and Normalization

• روز 3: رمزگذاری متغیرهای طبقه ای Day 3: Encoding Categorical Variables

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

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

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

• روز 7: اعتبارسنجی متقابل و تنظیم ابرپارامتر 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 پیشرفته یادگیری ماشین Introduction to Week 7 Advanced Machine Learning Algorithms

• روز 1: معرفی یادگیری جمعی Day 1: Introduction to Ensemble Learning

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

• روز 3: Boosting و Gradient Boosting Day 3: Boosting and Gradient Boosting

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

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

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

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

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

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

• روز 1: معرفی تنظیم ابرپارامتر Day 1: Introduction to Hyperparameter Tuning

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

• روز 3: تنظیم پیشرفته ابرپارامتر 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: اعتبارسنجی متقابل و تکنیک های ارزیابی مدل Day 5: Cross-Validation and Model Evaluation Techniques

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

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

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

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

• روز 1: معرفی یادگیری عمیق و شبکه های عصبی Day 1: Introduction to Deep Learning and Neural Networks

• روز 2: انتشار رو به جلو و توابع فعالسازی Day 2: Forward Propagation and Activation Functions

• روز 3: توابع زیان و پس انتشار Day 3: Loss Functions and Backpropagation

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

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

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

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

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

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

• روز 1: معرفی شبکه های عصبی کانولوشنال Day 1: Introduction to Convolutional Neural Networks

• روز 2: لایه های کانولوشنال و فیلترها Day 2: Convolutional Layers and Filters

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

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

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

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

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

هفته 11: شبکه های عصبی بازگشتی (RNNs) و مدل سازی دنباله Week 11: Recurrent Neural Networks (RNNs) and Sequence Modeling

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

• روز 1: معرفی مدل سازی دنباله و RNNs Day 1: Introduction to Sequence Modeling and RNNs

• روز 2: درک معماری RNN و پس انتشار از طریق زمان (BPTT) Day 2: Understanding RNN Architecture and Backpropagation Through Time (BPTT)

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

• روز 4: واحدهای بازگشتی گیت دار (GRUs) Day 4: Gated Recurrent Units (GRUs)

• روز 5: پیش پردازش متن و Embedding های کلمه برای RNNs Day 5: Text Preprocessing and Word Embeddings for RNNs

• روز 6: مدل های Sequence-to-Sequence و کاربردها Day 6: Sequence-to-Sequence Models and Applications

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

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

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

• روز 1: معرفی مکانیسم های توجه Day 1: Introduction to Attention Mechanisms

• روز 2: معرفی معماری ترانسفورمرها Day 2: Introduction to Transformers Architecture

• روز 3: توجه خودکار و توجه چندگانه در ترانسفورمرها Day 3: Self-Attention and Multi-Head Attention in Transformers

• روز 4: رمزگذاری موقعیتی و شبکه های پیشخور Day 4: Positional Encoding and Feed-Forward Networks

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

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

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

هفته 13: یادگیری انتقالی و تنظیم دقیق Week 13: Transfer Learning and Fine-Tuning

• مقدمه ای بر هفته 13 یادگیری انتقالی و تنظیم دقیق Introduction to Week 13 Transfer Learning and Fine-Tuning

• روز 1: معرفی یادگیری انتقالی Day 1: Introduction to Transfer Learning

• روز 2: یادگیری انتقالی در بینایی کامپیوتر Day 2: Transfer Learning in Computer Vision

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

• روز 4: یادگیری انتقالی در NLP Day 4: Transfer Learning in NLP

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

• روز 6: انطباق دامنه و چالش های یادگیری انتقالی Day 6: Domain Adaptation and Transfer Learning Challenges

• روز 7: پروژه یادگیری انتقالی - تنظیم دقیق برای یک وظیفه سفارشی Day 7: Transfer Learning Project – Fine-Tuning for a Custom Task

هفته 1: مبانی پایتون Week 1: Python Basics

• یادگیری پایتون از صفر - آموزش سریع Learn Python from Scratch - Quick Tutorial

• روز 1: چاپ جملات خوش آمدگویی و "Hello World" Day 1: Welcome Message Generator Print Statements & "Hello World"

• روز 2: برنامه احوالپرسی شخصی: متغیرها و انواع داده Day 2: Personalized Greeting Program: Variables & Data Types

• روز 3: ماشین حساب ساده: ورودی کاربر و قالب بندی رشته Day 3: Simple Calculator User Input & String Formatting

• روز 4: ابزار مقایسه عدد: دستورات If-Else Day 4: Number Comparison Tool: If-Else Statements

• روز 5: تایمر شمارش معکوس: حلقه ها (For & While) Day 5: Countdown Timer: Loops (For & While)

• روز 6: بازی مسابقه ریاضی پایه: توابع Day 6: Basic Math Quiz Game: Functions

• روز 7: برنامه لیست خرید: لیست ها Day 7: Shopping List App: Lists

هفته 2: پایتون متوسط Week 2: Intermediate Python

• روز 8: دفترچه تلفن: دیکشنری ها Day 8: Contact Book: Dictionaries

• روز 9: بررسی کننده مواد تشکیل دهنده: تاپل ها و مجموعه ها Day 9: Ingredient Checker: Tuples & Sets

• روز 10: برنامه یادداشت برداری: کار با فایل ها Day 10: Note-Taking App: File Handling

• روز 11: ماشین حساب ایمن: مدیریت خطا Day 11: Safe Calculator: Exception Handling

• روز 12: تبدیل دما: توابع با مقادیر بازگشتی Day 12: Temperature Converter: Functions with Return Values

• روز 13: مدیریت نمرات دانش آموز: List Comprehensions Day 13: Student Grade Manager: List Comprehensions

• روز 14: تولید کننده رمز عبور تصادفی: ماژول ها و کتابخانه ها Day 14: Random Password Generator: Modules & Libraries

هفته 3: کار با داده ها Week 3: Working with Data

• روز 15: برنامه نمایش دهنده دستور پخت: خواندن فایل ها Day 15: Recipe Viewer App: Reading Files

• روز 16: ثبت کننده روزانه: نوشتن فایل ها Day 16: Daily Journal Logger: Writing Files

• روز 17: تولید کننده گزارش دانش آموز: فایل های CSV Day 17: Student Report Generator: CSV Files

• روز 18: برنامه کوچک انجام کارها: فایل های JSON Day 18: Mini To-Do App: JSON Files

• روز 19: برنامه هواشناسی با استفاده از API: APIs (مبانی) Day 19: Weather App using API: APIs (Basics)

• روز 20: تایمر شمارش معکوس رویداد: تاریخ و زمان Day 20: Event Countdown Timer: Dates & Time

• روز 21: استخراج کننده مقاله ویکی پدیا: Web Scraping Day 21: Wikipedia Article Scraper: Web Scraping

هفته 4: برنامه نویسی شی گرا Week 4: Object-Oriented Programming

• روز 22: شبیه ساز حساب بانکی: کلاس ها و اشیاء Day 22: Bank Account Simulator: Classes & Objects

• روز 23: سیستم مدیریت کتابخانه: سازنده ها و متدها Day 23: Library Management System: Constructors & Methods

• روز 24: سیستم مدیریت کارمند: وراثت Day 24: Employee Management System: Inheritance

• روز 25: شبیه ساز صدای حیوانات: چندریختی Day 25: Animal Sound Simulator: Polymorphism

• روز 26: برنامه پروفایل کاربر ایمن: Encapsulation Day 26: Secure User Profile App: Encapsulation

• روز 27: سیستم مدیریت موجودی: متدهای استاتیک و کلاس Day 27: Inventory Management System: Static & Class Methods

• روز 28: دستگاه خودپرداز کوچک: پروژه نهایی OOP Day 28: Mini ATM Machine: Final OOP Project

هفته 5: برنامه نویسی GUI Week 5: GUI Programming

• روز 29: برنامه GUI ساده: مبانی Tkinter Day 29: Simple GUI App: Tkinter Basics

• روز 30: برنامه شمارنده کلیک: دکمه ها و رویدادها Day 30: Click Counter App: Buttons & Events

• روز 31: ماشین حساب BMI: فیلدهای ورودی Day 31: BMI Calculator: Input Fields

• روز 32: برنامه Drawing Pad: ویجت های Canvas Day 32: Drawing Pad App: Canvas Widgets

• روز 33: سیستم ورود به سیستم ساده: جعبه های پیام Day 33: Simple Login System: Message Boxes

• روز 34: لیست کارهای GUI: ویجت های پیشرفته Day 34: To-Do List GUI: Advanced Widgets

• روز 35: برنامه ردیاب هزینه: Capstone GUI Day 35: Expense Tracker App: GUI Capstone

هفته 6: توسعه وب با پایتون Week 6: Web Development with Python

• روز 36: برنامه Hello Flask: مبانی Flask Day 36: Hello Flask App: Flask Basics

• روز 37: وب سایت وبلاگ شخصی: Routes & Templates Day 37: Personal Blog Website: Routes & Templates

• روز 38: برنامه فرم تماس: Forms & User Input Day 38: Contact Form App: Forms & User Input

• روز 39: برنامه ثبت نام کاربر: Database Integration Day 39: User Registration App: Database Integration

• روز 40: Mini Weather API: REST APIs Day 40: Mini Weather API: REST APIs

• روز 41: Deploy Flask App: Deployment Day 41: Deploy Flask App: Deployment

• روز 42: وب سایت Portfolio: Flask Capstone Day 42: Portfolio Website: Flask Capstone

هفته 7: مبانی علم داده Week 7: Data Science Basics

• روز 43: ماشین حساب ماتریس: NumPy Day 43: Matrix Calculator: NumPy

• روز 44: پاک کننده داده: Pandas Day 44: Data Cleaner: Pandas

• روز 45: رسم کننده نمودار: Matplotlib Day 45: Graph Plotter: Matplotlib

• روز 46: تحلیلگر گزارش فروش: Data Analysis Day 46: Sales Report Analyzer: Data Analysis

• روز 47: رسم کننده دما: Plotting Trends Day 47: Temperature Plotter: Plotting Trends

• روز 48: ردیاب قیمت سهام: Data Scraping Day 48: Stock Price Tracker: Data Scraping

• روز 49: داشبورد COVID-19: Capstone Project Day 49: COVID-19 Dashboard: Capstone Project

روزهای 50-60: پروژه های متوسط Days 50–60: Intermediate Projects

• روز 50: برنامه داشبورد هواشناسی Day 50: Weather Dashboard App

• روز 51: ردیاب هزینه Day 51: Expense Tracker

• روز 52: ابزار سازماندهی فایل Day 52: File Organizer Tool

• روز 53: بازی دوز Day 53: Tic-Tac-Toe Game

• روز 54: چت بات کوچک Day 54: Mini Chatbot

• روز 55: سازمان دهنده لیست پخش موسیقی Day 55: Music Playlist Organizer

• روز 56: برنامه ریز بودجه شخصی Day 56: Personal Budget Planner

• روز 57: تولید کننده هنر ASCII Day 57: ASCII Art Generator

• روز 58: تایمر Pomodoro Day 58: Pomodoro Timer

• روز 59: تبدیل کننده Markdown به HTML Day 59: Markdown to HTML Converter

• روز 60: برنامه دفتر خاطرات شخصی Day 60: Personal Diary App

روزهای 61-70: پروژه های متوسط پیشرفته Days 61–70: Advanced Intermediate Projects

• روز 61: استخراج کننده رسانه های اجتماعی Day 61: Social Media Scraper

• روز 62: ابزار پشتیبان گیری خودکار Day 62: Automated Backup Tool

• روز 63: سیستم پیشنهاد فیلم Day 63: Movie Recommendation System

• روز 64: ابزار ادغام PDF Day 64: PDF Merger Tool

• روز 65: Backend وب سایت Portfolio Day 65: Portfolio Website Backend

• روز 66: برنامه یادگیری فلش کارت Day 66: Flashcards Learning App

• روز 67: داشبورد بازار سهام Day 67: Stock Market Dashboard

• روز 68: زمانبندی وظیفه Day 68: Task Scheduler

• روز 69: مبدل ارز Day 69: Currency Converter

• روز 70: برنامه تجسم داده Day 70: Data Visualizer App

روزهای 71-80: پروژه های AI & Machine Learning Days 71–80: AI & Machine Learning Projects

• روز 71: تشخیص دهنده ایمیل اسپم Day 71: Spam Email Detector

• روز 72: تحلیلگر احساسات متن Day 72: Text Sentiment Analyzer

• روز 73: تشخیص دست خط اعداد Day 73: Handwriting Digit Recognition

• روز 74: دستیار صوتی Day 74: Voice Assistant

• روز 75: برنامه تشخیص چهره Day 75: Face Detection App

• روز 76: سیستم پیشنهاد ساده Day 76: Simple Recommendation System

• روز 77: AI Chatbot با NLP Day 77: AI Chatbot with NLP

• روز 78: برنامه تشخیص اشیا Day 78: Object Detection App

• روز 79: ابزار مترجم زبان Day 79: Language Translator Tool

• روز 80: تشخیص دهنده اخبار جعلی Day 80: Fake News Detector

الگوریتم های یادگیری ماشین و پیاده سازی در پایتون Machine Learning Algorithms and Implementation in Python

• مقدمه ای بر الگوریتم های یادگیری ماشین و پیاده سازی در پایتون Introduction to Machine Learning Algorithms and Implementation in Python

• 1. الگوریتم های یادگیری نظارت شده: پیاده سازی رگرسیون خطی 1. Supervised Learning Algorithms: Linear Regression Implementation

• 2. الگوریتم های یادگیری نظارت شده: پیاده سازی رگرسیون Ridge و Lasso 2. Supervised Learning Algorithms: Ridge and Lasso Regression Implementation

• 3. الگوریتم های یادگیری نظارت شده: پیاده سازی رگرسیون چند جمله ای 3. Supervised Learning Algorithms: Polynomial Regression Implementation

• 4. الگوریتم های یادگیری نظارت شده: پیاده سازی رگرسیون لجستیک 4. Supervised Learning Algorithms: Logistic Regression Implementation

• 5. الگوریتم های یادگیری نظارت شده: پیاده سازی K-Nearest Neighbors (KNN) 5. Supervised Learning Algorithms: K-Nearest Neighbors (KNN) Implementation

• 6. الگوریتم های یادگیری نظارت شده: پیاده سازی ماشین بردار پشتیبان (SVM) 6. Supervised Learning Algorithms: Support Vector Machines (SVM) Implementation

• 7. الگوریتم های یادگیری نظارت شده: پیاده سازی درخت های تصمیم 7. Supervised Learning Algorithms: Decision Trees Implementation

• 8. الگوریتم های یادگیری نظارت شده: پیاده سازی جنگل های تصادفی 8. Supervised Learning Algorithms: Random Forests Implementation

• 9. الگوریتم های یادگیری نظارت شده: پیاده سازی Gradient Boosting 9. Supervised Learning Algorithms: Gradient Boosting Implementation

• 10. الگوریتم های یادگیری نظارت شده: پیاده سازی Naive Bayes 10. Supervised Learning Algorithms: Naive Bayes Implementation

• 11. الگوریتم های یادگیری بدون نظارت: پیاده سازی خوشه بندی K-Means 11. Unsupervised Learning Algorithms: K-Means Clustering Implementation

• 12. الگوریتم های یادگیری بدون نظارت: پیاده سازی خوشه بندی سلسله مراتبی 12. Unsupervised Learning Algorithms: Hierarchical Clustering Implementation

• 13. الگوریتم های یادگیری بدون نظارت: DBSCAN 13. Unsupervised Learning Algorithms: DBSCAN

• 14. الگوریتم های یادگیری بدون نظارت: Gaussian Mixture Models(GMM) 14. Unsupervised Learning Algorithms: Gaussian Mixture Models(GMM)

• 15. الگوریتم های یادگیری بدون نظارت: Principal Component Analysis (PCA) 15. Unsupervised Learning Algorithms: Principal Component Analysis (PCA)

• 16. الگوریتم یادگیری بدون نظارت: t-Distributed Stochastic Neighbor Embedding 16. Unsupervised Learning Algo: t-Distributed Stochastic Neighbor Embedding

• 17. الگوریتم های یادگیری بدون نظارت: پیاده سازی Autoencoders 17.Unsupervised Learning Algorithms: Autoencoders Implementation

• 18. پیاده سازی Self-Training 18. Self-Training Implementation

• 19. پیاده سازی Q-Learning 19. Q-Learning Implementation

• 20. پیاده سازی Deep Q-Networks (DQN) 20. Deep Q-Networks (DQN) Implementation

• 21. پیاده سازی Policy Gradient Methods 21. Policy Gradient Methods Implementation

• 22. پیاده سازی One-Class SVM 22. One-Class SVM Implementation

• 23. پیاده سازی Isolation Forest 23. Isolation Forest Implementation

• 24. پیاده سازی Convolutional Neural Networks (CNNs) 24. Convolutional Neural Networks (CNNs) Implementation

• 25. پیاده سازی Recurrent Neural Networks (RNNs) 25. Recurrent Neural Networks (RNNs) Implementation

• 26. پیاده سازی Long Short-Term Memory (LSTM) 26. Long Short-Term Memory (LSTM) Implementation

• 27. پیاده سازی Transformers 27. Transformers Implementation