آموزش ماشین لرنینگ و هوش مصنوعی

ماشین لرنینگ چیست؟ تفاوت برنامه‌نویسی سنتی و یادگیری ماشین هوش مصنوعی، Machine Learning و Deep Learning کاربردهای یادگیری ماشین انواع مسائل Machine Learning Supervised Learning Unsupervised Learning Semi-Supervised Learning Reinforcement Learning مراحل اجرای یک پروژه Machine Learning معرفی ابزارها و کتابخانه‌های مورد استفاده

نصب Python ساخت Virtual Environment نصب Jupyter Notebook آشنایی با Google Colab نصب NumPy نصب Pandas نصب Matplotlib و Seaborn نصب Scikit-learn مدیریت Packageها ساختار استاندارد پروژه‌های Machine Learning

مفاهیم پایه جبر متغیر و تابع بردارها ماتریس‌ها عملیات ماتریسی ضرب داخلی مفاهیم پایه احتمال میانگین و واریانس انحراف معیار توزیع‌های آماری مفهوم مشتق مفهوم گرادیان نقش ریاضیات در الگوریتم‌های یادگیری ماشین

NumPy چیست؟ ساخت Array Indexing و Slicing تغییر شکل Array عملیات ریاضی عملیات ماتریسی Broadcasting توابع آماری تولید داده‌های تصادفی کاربرد NumPy در پردازش داده

Pandas چیست؟ Series و DataFrame خواندن داده از CSV خواندن Excel و JSON مشاهده و بررسی Dataset انتخاب ستون‌ها و ردیف‌ها فیلتر کردن داده‌ها مرتب‌سازی GroupBy Merge و Join حذف داده‌های تکراری کار با داده‌های Missing تغییر نوع داده‌ها ایجاد Featureهای جدید

EDA چیست؟ شناخت Dataset بررسی توزیع داده‌ها شناسایی Outlier تحلیل روابط بین متغیرها Correlation تحلیل متغیرهای عددی تحلیل متغیرهای دسته‌ای تشخیص داده‌های غیرعادی استخراج الگوهای اولیه از داده‌ها آماده‌سازی داده برای مدل‌سازی

اهمیت Visualization رسم نمودار با Matplotlib نمودار خطی نمودار میله‌ای Histogram Scatter Plot Box Plot Heatmap Visualization با Seaborn نمایش Correlation انتخاب نمودار مناسب برای هر نوع داده

مفهوم Data Preprocessing پاک‌سازی داده‌ها مدیریت Missing Values حذف یا جایگزینی داده‌های ناقص Encoding داده‌های دسته‌ای Label Encoding One-Hot Encoding Scaling Standardization Normalization مدیریت Outlierها Feature Transformation جلوگیری از Data Leakage

Feature چیست؟ Feature Selection Feature Extraction ساخت Featureهای جدید تبدیل متغیرها تعامل بین Featureها حذف Featureهای غیرضروری کاهش پیچیدگی Dataset Feature Importance تأثیر Feature Engineering بر عملکرد مدل

Train و Test چیست؟ تقسیم Dataset Validation Set Cross Validation K-Fold Cross Validation Stratified K-Fold مفهوم Data Leakage انتخاب معیار ارزیابی مناسب مقایسه مدل‌ها تشخیص Overfitting و Underfitting

مفهوم Regression Linear Regression چیست؟ Simple Linear Regression Multiple Linear Regression تابع هزینه Mean Squared Error مفهوم ضرایب مدل آموزش مدل با Scikit-learn پیش‌بینی مقادیر جدید ارزیابی مدل Regression تحلیل نتایج

Classification چیست؟ Logistic Regression Probability و Classification Sigmoid Function Binary Classification Multi-Class Classification آموزش مدل پیش‌بینی کلاس Probability Prediction ارزیابی Logistic Regression

الگوریتم KNN چیست؟ مفهوم فاصله انتخاب مقدار K آموزش KNN Classification با KNN Regression با KNN اهمیت Scaling مزایا و معایب KNN انتخاب K مناسب

Decision Tree چیست؟ ساختار درخت تصمیم Node و Leaf معیار Gini Entropy Information Gain ساخت Decision Tree کنترل عمق درخت جلوگیری از Overfitting Feature Importance Visualization درخت تصمیم

مفهوم Ensemble Learning Random Forest چیست؟ Bagging ساخت چندین Decision Tree Feature Randomness آموزش Random Forest Classification با Random Forest Regression با Random Forest Feature Importance تنظیم Hyperparameterه

SVM چیست؟ مفهوم Hyperplane Margin Support Vector Kernel Linear Kernel Polynomial Kernel RBF Kernel پارامترهای C و Gamma کاربرد SVM در Classification

مفهوم Probability در Classification Bayes Theorem Naive Bayes چیست؟ Gaussian Naive Bayes Multinomial Naive Bayes کاربرد Naive Bayes در Text Classification مزایا و محدودیت‌ها پیاده‌سازی با Scikit-learn

Unsupervised Learning چیست؟ مفهوم Clustering K-Means انتخاب تعداد Cluster Elbow Method Silhouette Score Hierarchical Clustering DBSCAN شناسایی نقاط پرت مقایسه روش‌های Clustering

چرا Dimensionality Reduction؟ مفهوم Curse of Dimensionality PCA Principal Components انتخاب تعداد Components Visualization داده‌های چندبعدی کاربرد PCA در Feature Engineering آشنایی با روش‌های کاهش ابعاد دیگ

Confusion Matrix Accuracy Precision Recall F1-Score Specificity ROC Curve AUC Precision-Recall Curve انتخاب Metric مناسب ارزیابی مدل روی داده‌های نامتوازن

MAE MSE RMSE R² Score Adjusted R² مقایسه مدل‌های Regression تحلیل خطای مدل تشخیص مدل مناسب

Overfitting چیست؟ Underfitting چیست؟ Bias و Variance Bias-Variance Tradeoff روش‌های کاهش Overfitting Regularization Cross Validation کاهش پیچیدگی مدل انتخاب Featureهای مناسب

مفهوم Regularization L1 Regularization L2 Regularization Lasso Regression Ridge Regression Elastic Net تأثیر Regularization بر مدل انتخاب مقدار مناسب Regularization

Hyperparameter چیست؟ تفاوت Parameter و Hyperparameter Grid Search Random Search Cross Validation در Tuning انتخاب بهترین مدل تنظیم پارامترهای Random Forest تنظیم پارامترهای SVM تنظیم پارامترهای KNN جلوگیری از Overfitting هنگام Tuning

Ensemble Learning چیست؟ Bagging Boosting AdaBoost Gradient Boosting XGBoost LightGBM CatBoost مقایسه الگوریتم‌های Boosting Feature Importance کاربرد Boosting در پروژه‌های واقعی

Imbalanced Dataset چیست؟ تشخیص عدم تعادل کلاس‌ها تأثیر داده نامتوازن بر مدل Class Weight Oversampling Undersampling SMOTE انتخاب Metric مناسب ارزیابی صحیح مدل‌های نامتوازن

مفهوم Pipeline ساخت Pipeline ترکیب Preprocessing و Model ColumnTransformer جلوگیری از Data Leakage Pipeline در Cross Validation Pipeline در Hyperparameter Tuning ساخت Workflow استاندارد Machine Learning

NLP چیست؟ آماده‌سازی متن Tokenization حذف Stop Words Stemming Lemmatization تبدیل متن به Feature Bag of Words TF-IDF Text Classification ساخت مدل تشخیص متن

تعریف مسئله جمع‌آوری Dataset پاک‌سازی داده تحلیل داده‌ها تبدیل متن به Feature ساخت Train و Test آموزش مدل ارزیابی مدل بهبود عملکرد ذخیره مدل ساخت سیستم تشخیص پیام Spam

ذخیره مدل آشنایی با Joblib ذخیره Preprocessing Load کردن مدل استفاده از مدل روی داده جدید مدیریت نسخه مدل ساخت Prediction Service آماده‌سازی مدل برای استفاده در Application

مفهوم Model Deployment ساخت API برای مدل استفاده از FastAPI دریافت داده از کاربر اجرای Prediction برگرداندن نتیجه مدل ساخت سرویس Machine Learning Dockerize کردن مدل اجرای مدل در محیط Server مفاهیم اولیه Monitoring مدل

در پروژه نهایی یک پروژه کامل Machine Learning از ابتدا تا استقرار پیاده‌سازی می‌شود: تعریف مسئله کسب‌وکار جمع‌آوری و بررسی Dataset پاک‌سازی داده‌ها EDA و Visualization Feature Engineering Preprocessing تقسیم داده انتخاب الگوریتم آموزش چند مدل مقایسه مدل‌ها Hyperparameter Tuning ارزیابی نهایی انتخاب بهترین مدل ذخیره مدل ساخت API با FastAPI Dockerize کردن پروژه آماده‌سازی مدل برای Deployment