Menu
مسیر یادگیری هوش مصنوعی از صفر
از آخرین به‌روز‌رسانی‌های مسیر یادگیری هوش مصنوعی مطلع شوید:
مباحث مقدماتی
دوره مقدماتی آموزش پایتون
آشنایی با کتابخانه نامپای
آشنایی با کتابخانه پانداس
آشنایی با Virtual Environment
آشنایی با ژوپیتر نوتبوک و گوگل کولب
هوش مصنوعی چیست و چه کاربردی دارد؟
داده‌کاوی
وب اسکریپینگ
دیتاست‌های موجود در اینترنت
آشنایی با کگل (kaggle)
حالا باید تصمیم بگیرین که مهندس داده باشین یا دانشمند داده!
مسیر دانشمند داده
مسیر یادگیری ماشین لرنینگ
مسیر یادگیری دیپ لرنینگ
آشنایی با توزیع‌های احتمال
قضیه بیز
استقلال آماری
آشنایی با متغیرهای تصادفی IID
آشنایی با CDF و PDF
توزیع‌های احتمال پیوسته
توزیع‌های احتمال گسسته
شاخص‌های آماری مرکزی
شاخص‌های آماری پراکندگی
آزمون‌های فرض آماری
آشنایی با انواع نمودارها
آشنایی با کتابخانه matplotlib
آشنایی با کتابخانه seaborn
آشنایی با کتابخانه ipyvolume برای مصورسازی سه‌بعدی داده‌ها
کتابخانه streamlit برای ساخت داشبوردهای مختلف (در قالب web app)
هوش تجاری چیست؟
آموزش tableau
آموزش PowerBI
یادگیری ماشین چیست؟
تفاوت یادگیری ماشین، یادگیری عمیق و هوش مصنوعی
آشنایی با تابع هزینه
آشنایی با مفاهیم overfitting و underfitting
داده‌های test و train
معیارهای ارزیابی عملکرد مدل ماشین لرنینگ
آشنایی با کتابخانه Scikit Learn
یادگیری با ناظر (Supervised Learning)
یادگیری بدون ناظر (Unsupervised Learning)
یادگیری تقویتی (Reinforcement Learning)
تفاوت رگرسیون (Regression) و طبقه‌بندی (Classification)
رگرسیون خطی (Linear Regression)
رگرسیون لجستیک (Logistic Regression)
درخت تصمیم (Decision Tree)
الگوریتم SVM
الگوریتم Naive Bayes
الگوریتم K-Means برای Clustering
الگوریتم DBSCAN برای Clustering
الگوریتم HDBSCAN برای Clustering
آشنایی با روش‌های قانون وابستگی (Association Rule Learning)
کاهش بعد با PCA
یادگیری عمیق چیست؟
شبکه عصبی چیست؟
آشنایی با تابع هزینه
آشنایی با توابع فعالساز
شبکه عصبی تک‌لایه
شبکه عصبی چندلایه
شبکه عصبی کانولوشن (CNN)
شبکه عصبی بازگشتی (RNN)
شبکه عصبی زایا (GAN)
آشنایی با ترنسفرمرها (Transformers)
شبکه Siamese
آشنایی با Tensorflow
آشنایی با Pytorch
مسیر مهندس داده
مسیر مهندس کلان داده
