انواع داده ها در پایتون لیست، دیکشنری، مجموعه ها و تاپل ها Maps/Dictionaries/Hash Tables کار با فایلها (CSV, JSON , ..) عملگرها در پایتون عبارات شرطی حلقه ها توابع Functions, Lambdas, and Map/Reduce اشیا و کلاسها کتابخانه های یادگیری ماشین و هوش مصنوعی

مزایای کتابخانه Numpy آرایه ها در Numpy اعدا تصادفی در Numpy Reshaping کردن آرایه ها در Numpy اندیسها و برشها در Numpy عملگرهای ریاضی در Numpy جبرخطی در Numpy

خواندن داده ها در Pandas بصورت دیتافریم فیلتر کردن سطرها فیلتر کردن ستونها ادغام کردن دیتافریمهامرتب سازی توابع روی دیتافریمها Pivot & Crosstab عملگرهای ریاضی با Where

Line Plots Titles, Labels, and Legends Plotting Using CSV and TSV files Scatter Plots Bar Plots Histograms Pie Charts

Dist Plot Joint Plot Pair Plot The Bar Plot The Count Plot The Box Plot The Violin Plot

Histograms Line Plots Scatter Plots Bar Plots Box Plots

متغیرها و داده های آماری میانگین، میانه و مد توزیع های آماری توزیع پواسون، بانومیال، نرمال ضریب همبستگی پیرسون تابع توزیع تجمعی استنتاج آماری و فرضیه های آماری

کار با داده های گمشده کار با داده های رسته ای تقسیم داده ها به داده های آموزشی و تست انتخاب فیچرها

کاهش ابعاد بدون نظارت با استفاده از تحلیل مولفه های اصلی کاهش ابعاد با نظارت با استفاده از LDA کاهش ابعاد خیرخطی و مصورسازی

خوشه بندی با k-means تعیین مراکز اولیه خوشه ها خوشه بندی سخت و نرم اندازه گیری مدل خوشه بندی ایجاد خوشه ها به عنوان درخت سلسله مراتبی انجام خوشه بندی سلسله مراتبی از روی ماتریس فاصله پیاده سازی خوشه بندی تجمعی خوشه بندی از طریق DBSCAN

انتخاب نوع الگوریتم رگرسیون لجستیک ماشین بردار پشتیان حل مسائل غیرخطی با Kernel SVM الگوریتم یادگیری درخت تصمیم الگوریتم knn ارزیابی مدل و تنظیم پارامترها ساده کردن گردش کار با pipeline استفاده از k-fold cross-validation برای ارزیابی مدل الگوریتم های اشکال زدایی با منحنی های یادگیری و اعتبارسنجی تنظیم مدل‌های یادگیری ماشینی از طریق grid search معیارهای مختلف ارزیابی عملکرد مدل

ترکیب طبقه بندی ها از طریق اکثریت آرا Bagging – ساخت مجموعه ای از طبقه بندی کننده ها از نمونه های بوت استرپ جنگل تصادفی ارزیابی اهمیت ویژگی با جنگل های تصادفی adaptive boosting پیاده سازی AdaBoost Gradient boosting استفاده از XGBoost

Sequential API در کراس Functional API در کراس Subclassing API در کراس Preprocessing API در کراس

توابع هزینه در رگرسیون خطی رگرسیون Lasso و Ridge رگرسیونlogistic

شبکه های عصبی پرسپترون چند لایه توابع فعالسازی توابع هزینه الگوریتم backpropagation مروری بر سایر الگوریتمها معیارهای ارزیابی مدل

پیاده سازی یک شبکه ساده CNN پیاده سازی CNN پیشرفته یادگیری مجدد مدل های موجود CNN

شبکه های RNN شبکه LSTM

مقدمه ای بر منظم سازی: Ridge and LassoL1 and L2 Regularization Linear Regression ElasticNet Regularization K-Fold Cross-validation with Keras Regression vs Classification K-Fold Cross-Validation Out-of-Sample Regression Predictions with K-Fold Cross-Validation Classification with Stratified K-Fold Cross-Validation Training with both a Cross-Validation and a Holdout Set L1 and L2 Regularization to Decrease Overfitting Drop Out for Keras to Decrease Overfitting Benchmarking Regularization Techniques Additional Reading on Hyperparameter Tuning Bootstrapping for Regression Bootstrapping for Classification

Naïve forecast Moving average forecast Seasonal naive forecast Exponential smoothing (ETS) ARIMA Fast Fourier Transform forecast

مقدمه ای بر رگرسیون خطی پیاده سازی مدل رگرسیون خطی حداقل مربعات برازش یک رگرسیون پایدار ارزیابی مدل رگرسیون رگرسیون چند جمله ای رگرسیون درخت تصمیم رگرسیون تصادفی جنگل Random forest

MLP RNN LSTM CNN

رویکرد Single-step-ahead رویکرد Sequence-to-sequence

• داده های متنی و مدیریت آنها • استخراج و پردازش داده های متنی • تبدیل داده های متنی • حذف علائم نگارشی • حذف کلمات توقف • استاندارد کردن متن • تصحیح کلمات • نشانه گذاری متن )توکن سازی) • Stemming • Lemmatizing • کاوش داده های متنی • ساخت pipeline پیش پردازش متن • تبدیل متن به ویژگی ها • تبدیل متن به ویژگی ها با استفاده از One-Hot • تبدیل متن به ویژگی ها با استفاده از Count Vectorizer • رویکرد n-gram • تشکیل ماتریس Co-occurrence • Hash Vectorizing • تبدیل متن به ویژگی ها با استفاده از TF-IDF • پیاده سازی Word Embeddings • پیاده سازی fastText • پردازش پیشرفته زبان طبیعی • استخراج عبارات اسمی • یافتن شباهت بین متون • برچسب گذاری بخشی از گفتار • استخراج موجودیت ها از متن • استخراج موضوعات از متن • طبقه بندی متن • یادگیری عمیق در پردازش متن • انجام تجزیه و تحلیل احساسات • مباحث پیشرفته

پردازش تصویر در پایتون ایجاد تصاویر در پایتون تبدیل تصاویر استاندارد کردن تصاویر اضافه کردن نویز به تصاویر پیش پردازش تصاویر کتابخانه keras در تشخیص تصاویر بینایی ماشین شبکه های کانولوشنی (CNNس) لایه های کانولوشنی Convolution Layers لایه های Max Pooling شبکه های کانولوشنی رگرسیونی یادگیری تقویتی در در بینایی ماشین استفاده از ساختار ResNet استفاده از سایر ساختارها از قبیل YOLO5 استفاده از YOLO در پایتون بخش بندی تصاویر (Image segmentation)

مقدمه ای بر GANS برای تولید تصویر و داده تولید چهره با StyleGAN و Python استفاده از GAN در Google CoLab اجرای StyleGAN با کد پایتون بررسی Latent Vector یادگیری StyleGAN3 با تصاویر راه اندازی محیط جدید تبدیل تصاویر پاکسازی تصاویر مباحث ویژه در GANs

تعریف تفسیرپذیری مدل های قابل تفسیر روش های مدل-آگنوستیک توضیحات مبتنی بر نمونه روش های مدل گلوبال-آگنوستیک روش های مدل محلی-آگنوستیک تفسیر شبکه های عصبی

DenseNet InceptionResNetV2 and InceptionV3 MobileNet NASNet ResNet, ResNetV2, ResNeXt VGG16 and VGG19 Xception