آموزش ماشین لرنینگ از صفر تا پیشرفته

هوش مصنوعی چیست؟ Machine Learning چیست؟ تفاوت AI، ML و Deep Learning کاربردهای Machine Learning انواع مسائل یادگیری ماشین Supervised Learning Unsupervised Learning Semi-Supervised Learning Reinforcement Learning مراحل کلی یک پروژه ML معرفی ابزارهای مورد استفاده نصب و آماده‌سازی محیط Python

مفهوم Variable و Feature اعداد و عملیات پایه بردارها ماتریس‌ها عملیات روی ماتریس‌ها مفهوم تابع نمودار تابع مشتق و مفهوم نرخ تغییر مفهوم Gradient احتمال مقدماتی میانگین و واریانس انحراف معیار

مرور متغیرها و انواع داده List و Tuple Dictionary و Set شرط‌ها و حلقه‌ها Functions Lambda Exception Handling کار با Moduleها معرفی NumPy آرایه‌های NumPy عملیات ریاضی با NumPy معرفی Pandas

مفهوم Dataset DataFrame Series خواندن فایل CSV مشاهده داده‌ها head() و tail() info() describe() انتخاب ستون‌ها انتخاب سطرها Filtering Sort GroupBy Merge و Join ذخیره Dataset

مفهوم Exploratory Data Analysis بررسی توزیع داده‌ها شناسایی روابط بین متغیرها معرفی Matplotlib نمودار خطی نمودار میله‌ای Scatter Plot Histogram Box Plot معرفی Seaborn Heatmap تحلیل Correlation استخراج Insight از داده‌ه

Data Preprocessing Missing Values شناسایی داده‌های ناقص حذف داده‌های ناقص جایگزینی Missing Values Duplicate Data داده‌های پرت (Outlier) شناسایی Outlier مدیریت Outlier تبدیل داده‌های متنی تبدیل داده‌های دسته‌ای آماده‌سازی داده برای مدل

مفهوم Feature Feature Selection Feature Extraction ایجاد Feature جدید حذف Featureهای غیرضروری Encoding Label Encoding One-Hot Encoding Feature Scaling Normalization Standardization اهمیت Feature Engineering جلوگیری از Data Leakage

Train Dataset Test Dataset Validation Dataset Train/Test Split مفهوم Generalization Overfitting Underfitting Bias Variance Cross Validation K-Fold Cross Validation مفهوم Baseline Model

مفهوم Regression Linear Regression متغیر مستقل و وابسته خط رگرسیون مفهوم Coefficient Intercept تابع Cost Mean Squared Error آموزش مدل پیش‌بینی ارزیابی مدل پیاده‌سازی با Scikit-Learn تحلیل نتایج

مفهوم Classification Binary Classification Logistic Regression Sigmoid Function Probability در Classification Threshold Multi-Class Classification آموزش مدل Prediction Confusion Matrix Accuracy Precision Recall F1-Score

مفهوم KNN نحوه کار KNN انتخاب مقدار K Distance مزایا و معایب KNN پیاده‌سازی KNN مفهوم Naive Bayes احتمال شرطی انواع Naive Bayes پیاده‌سازی Naive Bayes مقایسه KNN و Naive Bayes

مفهوم Decision Tree ساختار درخت تصمیم Node و Leaf Split مفهوم Entropy Information Gain Gini Impurity ساخت درخت کنترل عمق درخت Overfitting در Decision Tree پیاده‌سازی با Scikit-Learn تحلیل Feature Importance

مفهوم Ensemble Learning مفهوم Random Forest ساختار Random Forest Bagging Bootstrap Sampling ترکیب چند Decision Tree Feature Importance مزایا و معایب Random Forest پیاده‌سازی Random Forest مقایسه Decision Tree و Random Forest معرفی Boosting آشنایی با Gradient Boosting

مفهوم Support Vector Machine Hyperplane Support Vector Margin Kernel Linear Kernel RBF Kernel پارامترهای SVM پیاده‌سازی SVM مقایسه SVM با سایر الگوریتم‌ها انتخاب مدل مناسب

مفهوم Unsupervised Learning تفاوت Supervised و Unsupervised مفهوم Clustering K-Means Centroid مراحل الگوریتم K-Means انتخاب مقدار K Elbow Method ارزیابی Clustering پیاده‌سازی K-Means کاربردهای Clustering

مفهوم Dimensionality Reduction مشکل تعداد Feature زیاد مفهوم PCA Principal Component Variance Eigenvector و Eigenvalue کاهش تعداد ابعاد Visualization با PCA پیاده‌سازی PCA کاربرد PCA در Machine Learning

انتخاب معیار ارزیابی Regression Metrics MAE MSE RMSE R² Classification Metrics Accuracy Precision Recall F1-Score ROC Curve AUC Cross Validation Hyperparameter Tuning Grid Search Random Search

مفهوم Machine Learning Pipeline مراحل Pipeline Preprocessing Pipeline ترکیب Scaling و Model جلوگیری از Data Leakage Model Selection مقایسه چند الگوریتم انتخاب بهترین مدل Hyperparameter Optimization ذخیره مدل Load کردن مدل آماده‌سازی مدل برای استفاده واقعی

تعریف مسئله جمع‌آوری Dataset بررسی داده‌ها Data Cleaning Exploratory Data Analysis Feature Engineering تقسیم Train و Test انتخاب الگوریتم آموزش مدل ارزیابی مدل بهینه‌سازی مدل مقایسه چند مدل انتخاب مدل نهایی ذخیره مدل ساخت سیستم Prediction

مرور کامل Machine Learning مرور Supervised Learning مرور Unsupervised Learning مقایسه الگوریتم‌های مختلف انتخاب الگوریتم مناسب تحلیل خطاهای مدل بهبود Performance آماده‌سازی پروژه برای استفاده واقعی آشنایی با Model Deployment معرفی Flask و FastAPI آشنایی با MLflow آشنایی با Cloud برای ML مقدمه‌ای بر Deep Learning مقدمه‌ای بر Neural Networks مسیر ورود به Data Science مسیر ورود به AI و Deep Learning پیشنهاد پروژه‌های پیشرفته برای ادامه یادگیری