✔️ به دوره متخصص علم داده خوش آمدید

✔️ بخش اول

✔️ بخش دوم

✔️ بخش سوم

✔️ نصب پایتون

✔️ نصب و راه اندازیVSCode  در ویندوز

✔️ نصب jupyter

✔️ داده و نوع داده

✔️ چند نکته در مورد زبان پایتون

✔️ داده‌های عددی و عملگرهای محاسباتی

✔️ متغیر چیست؟

✔️ توابع ریاضیاتی مقدماتی

✔️ نوع داده‌ای String

✔️ بحث String Formatting , indexing

✔️ متدها و نکات تکمیلی String

✔️ تبدیل انواع داده به یکدیگر

✔️ عمگرهای مقایسه‌ای و Boolean

✔️ کار با jupyter notebook

✔️ شرط در پایتون (if - else)

✔️ مینی پروژه تبدیل واحد

✔️ لیست در پایتون (list)

✔️ متدها و نکات تکمیلی list

✔️ دیکشنری در پایتون dict))

✔️ حلقه‌ها در پایتون (For)

✔️ حل تمرین - مینی پروژه

✔️ حلقه‌ها در پایتون (while)

✔️ تاپل در پایتون (tuple)

✔️ مجموعه‌ها در پایتون (set)

✔️ در موردNone  و NoneType

✔️ دیگر عملگرها

✔️ عملگرهای بیتی

✔️ حل تمرین - ماتریس عکس

✔️ مقایسه == و is

✔️ بررسی تابع len

✔️ بررسی توابع min, max, sum

✔️ کلاس range

✔️ یادگیری و کمک گرفتن از dir , help

✔️ مقداردهی هم زمان به چند متغیر

✔️ تابع نویسی در پایتون - قسمت اول

✔️ تابع نویسی در پایتون - قسمت دوم

✔️ بررسی *args و **kwargs

✔️ بررسی Set, Dict Comprehension

✔️ بررسی List Comprehension

✔️ بررسی Lambda

✔️ پایتون - بخش اول

✔️ پایتون - بخش دوم

✔️ پکیج‌ها در پایتون

✔️ مقدمه‌ای بر Numpy

✔️ تفاوت Numpy array و Python list

✔️ دیتا تایپ‌های Numpy

✔️ کمی عمیق‌تر در Numpy

✔️ بررسی چند مورد در Numpy

✔️ بحث indexing وslicing  در Numpy

✔️ ماژول Random در Numpy

✔️ مقدمه‌ای بر مصورسازی با matplotlib

✔️ تنظیمات نمودار و تغییر استایل

✔️ بررسی یک magic command در جوپیتر

✔️ نمودار میله‌ای (bar)

✔️ نمودار دایره‌ای (pie-chart)

✔️ زیر نمودار (subplot)

✔️ دیتاست و انواع دیتا

✔️ بررسی DataFrame

✔️ بررسی Series

✔️ بررسی ایندکس

✔️ بررسی loc و iloc

✔️ حذف و اضافه در دیتافریم

✔️ بررسی تابع concat

✔️ استفاده از عملگرهای مقایسه ای در pandas

✔️ خواندن و نوشتن فایل در pandas

✔️ مقدمه ای بر آمار و احتمال

✔️ احتمال چیست؟

✔️ احتمال شرطی

✔️ قوانین احتمال

✔️ تمرین - تابع احتمالات

✔️ بررسی مفهوم Population And Sampling

✔️ مفهوم داده

✔️ روش‌های نمونه گیری

✔️ اندازه نمونه (sample size)

✔️ بررسی اولیه یک دیتاست

✔️ مرکزیت داده‌ها

✔️ معیار پراکندگی داده‌ها - بخش اول

✔️ معیار پراکندگی داده‌ها - بخش دوم

✔️ توزیع فراوانی داده‌ها و هیستوگرام

✔️ توزیع داده‌ها

✔️ بررسی موارد روی دیتاست

✔️ بررسی چارک (IQR , Quartile)

✔️ بررسی boxplot

✔️ تمرین - بررسی دیتاست

✔️ توزیع‌های آماری

✔️ بررسی مفهوم چندک (Quantile)

✔️ داده‌های ما از چه توزیعی پیروی می کنن؟

✔️ همبستگی دو متغیر (correlation)

✔️ بررسی مفاهیم CDF, PMF, RV

✔️ بررسی مفهوم PDF

✔️ میانگین وزن دار و مقدار مورد انتظار!

✔️ تمرین - بررسی دیتاست

✔️ حل تمرین - احتمالات

✔️ حل تمرین - بررسی دیتاست (سن و جنسیت)

✔️ مفهوم آزمون فرضیه

✔️ بررسی عوامل موثر (شانس!)

✔️ آزمون فرضیه (tZ-tes)

✔️ آزمون فرضیه (T-test)

✔️ آزمون فرضیه (U-test)

✔️ آزمون معناداری ضریب همبستگی

✔️ تمرین

✔️ مقدمه‌ای بر مفاهیم

✔️ مفهوم بعد (Dimension)

✔️ بردار (vector)

✔️ رسم بردار در پایتون

✔️ ماتریس - بخش اول

✔️ ماتریس - بخش دوم

✔️ ماتریس - بخش سوم

✔️ ماتریس - بخش چهارم

✔️ حل معادلات خطی با ماتریس!

✔️ تجزیه بردار (Vector Decomposition)

✔️ مقدار ویژه و بردار ویژه (Eigen)

✔️ تمرین - تابع ویژه!

✔️ نرم بردار

✔️ چند نکته numpy و ماتریس

✔️ ضرب داخلی بردار

✔️ ماتریس متعامد

✔️ مفهوم تجزیه ماتریس

✔️ بررسی Eigen Decomposition

✔️ مقادیر منفرد (Singular Value)

✔️ تجزیه مقادیر منفرد (SVD)

✔️ درک عمیق تر از SVD - بخش اول 

✔️ درک عمیق تر از SVD - بخش دوم

✔️ تمرین - SVD

✔️ حل تمرین SVD

✔️ شاخص کلیدی عملکرد KPI

✔️ یادگیری ماشین چطور به ما کمک می کند؟

✔️ فرآیند داده کاوی - CRISP

✔️ بررسی اولیه آماده سازی داده

✔️ بررسی موارد روی دیتاست

✔️ تمرین - بررسی و درک دیتاست

✔️ مقادیر نامعلوم (missing value)

✔️ استفاده از sklearn

✔️ داده‌های غیر عددی (categorical)

✔️ مقیاس داده‌ها (scale)

✔️ تمرین - تأثیر تغییر مقیاس داده

✔️ آماده سازی دیتاست

✔️ مقدمه‌ای بر انواع یادگیری

✔️ طبقه بندی با الگوریتم KNN (نزدیکترین همسایه)

✔️ ارزیابی الگوریتم‌های طبقه بندی - بخش اول

✔️ ارزیابی الگوریتم‌های طبقه بندی - بخش دوم

✔️ اعتبارسنجی با Cross Validation

✔️ پیدا کردن بهترین پارامتر (GridSearch)

✔️ بررسی underfitting و overfitting

✔️ حل مساله + نکات تکمیلی

✔️ تمرین - دیتاست 

✔️ طبقه بندی با الگوریتم SVM - بخش اول

✔️ طبقه بندی با الگوریتم SVM - بخش دوم

✔️ طبقه بندی با الگوریتم SVM - بخش سوم

✔️ طبقه بندی با الگوریتم SVM - بخش چهارم

✔️ طبقه بندی با درخت تصمیم (Decision Tree) - بخش اول

✔️ طبقه بندی با درخت تصمیم (Decision Tree) - بخش دوم

✔️ طبقه بندی با درخت تصمیم (Decision Tree) - بخش سوم

✔️ طبقه بندی با جنگل تصادفی (Random Forest) - بخش اول

✔️ طبقه بندی با جنگل تصادفی (Random Forest) - بخش دوم

✔️ طبقه بندی با جنگل تصادفی (Random Forest) - بخش سوم

✔️ تمرین

✔️ بررسی دیتاست و فرآیند

✔️ ساخت مدل

✔️ استفاده از مدل

✔️ بررسی دیتاست

✔️ ساخت مدل

✔️ استفاده از مدل

✔️ تعریف مساله

✔️ آشنایی با opencv

✔️ ساخت دیتاست (تهیه تصاویر)

✔️ آماده سازی تصاویر

✔️ ساخت مدل و نمایش realtime

✔️ مفاهیم اولیه رگرسیون

✔️ معیار ارزیابی رگرسیون

✔️ رگرسیون خطی

✔️ مساله غیرخطی

✔️ مساله غیرخطی - نکات تکمیلی

✔️ تمرین

✔️ بررسی چند الگوریتم در رگرسیون

✔️ مفاهیم اولیه خوشه‌ بندی

✔️ الگوریتم K-means

✔️ بررسی تاثیر مقیاس داده‌ها (Scale)

✔️ محاسبه تعداد بهینه خوشه‌ها با روش Elbow

✔️ معیار ارزیابی خوشه بندی

✔️ بررسی یک مساله

✔️ الگوریتم DBSCAN

✔️ تعریف مساله

✔️ خوشه بندی تصویر - بخش اول

✔️ خوشه بندی تصویر - بخش دوم

✔️ بررسی جزئیات روش حل مساله

✔️ خوشه بندی تصویر - بخش سوم

✔️ فرآیند دسته بندی مشتریان

✔️ روش‌های تحلیل و دسته بندی مشتریان

✔️ حل مساله دسته بندی مشتریان - بخش اول

✔️ حل مساله دسته بندی مشتریان - بخش دوم

✔️ بررسی مفهوم pipeline

✔️ ساخت pipeline ساده

✔️ استفاده از توابع شخصی در pipeline

✔️ بهبود پارامترها در pipeline

✔️ داده پرت (outlier) چیست؟

✔️ روش‌های آماری - بخش اول

✔️ روش‌های آماری - بخش دوم

✔️ روش‌های آماری - بخش سوم

✔️ بررسی دیتاست - بخش اول

✔️ بررسی دیتاست - بخش دوم

✔️ رفع ابهام و بررسی چند نکته تکمیلی

✔️ روش‌های حل مساله تشخیص داده‌های پرت

✔️ الگوریتم DBSCAN در تشخیص ناهنجاری

✔️ الگوریتم LocalOutlierFactor - بخش اول

✔️ الگوریتم LocalOutlierFactor - بخش دوم

✔️ الگوریتم OneClassSVM

✔️ مقدمه‌ای بر مفاهیم

✔️ مفهوم شیب (gradient)

✔️ مفهوم حد (limit) 

✔️ مفهوم مشتق

✔️ تعریف رابطه مشتق

✔️ تمرین

✔️ حل تمرین

✔️ محاسبه مشتق دیگر توابع

✔️ مشتق زنجیره‌ای (chain rule)

✔️ مشتق توابع با چند متغیر مستقل (مشتق جزئی)

✔️ حل تمرین

✔️ مفهوم انتگرال + تمرین پایتون

✔️ مثالی از کاربرد مشتق و انتگرال

✔️ اثبات و محاسبه انتگرال

✔️ محاسبه مشتق و انتگرال در پایتون - sympy

✔️ بهینه سازی چیست؟

✔️ گرادیان کاهشی (Gradient Descent)

✔️ گرادیان کاهشی - بخش دوم

✔️ بهینه محلی و سراسری

✔️ حل مساله رگرسیون خطی با گرادیان کاهشی - بخش اول

✔️ حل مساله رگرسیون خطی با گرادیان کاهشی - بخش دوم

✔️ مقدمه ورود به شبکه عصبی

✔️ شبکه عصبی چیست - بخش اول

✔️ شبکه عصبی چیست - بخش دوم

✔️ نحوه آپدیت وزن و بایاس در شبکه

✔️ محاسبه میزان خطا (error)

✔️ توابع فعالسازی (Activation Function)

✔️ مفهوم epoch و batch

✔️ بهینه سازها (optimizers) - بخش اول

✔️ بهینه سازها (optimizers) - بخش دوم

✔️ شبکه عصبی با TensorFlow و Keras

✔️ دیتاست digits با neural network

✔️ تعمیم پذیری مدل (generalization)

✔️ داده‌های اعتبارسنجی (validation set)

✔️ توقف یادگیری با early stopping

✔️ بررسی Dropout

✔️ جریمه برای تابع هزینه (L1,L2 Regularization)

✔️ دیتاست در keras

✔️ دیتاست Fashion MNIST - بخش اول

✔️ دیتاست Fashion MNIST - بخش دوم

✔️ چند نکته

✔️ ذخیره و بارگذاری مدل در keras

✔️ بررسی history

✔️ رگرسیون در شبکه عصبی

✔️ بررسی اولیه دیتاست

✔️ آنالیز دیتاست

✔️ پیش پردازش و مدلسازی

✔️ آموزش کولب - بخش اول

✔️ آموزش کولب - بخش دوم

✔️ آموزش کولب - بخش سوم

✔️ شبکه‌های عمیق - بخش اول

✔️ شبکه‌های عمیق - بخش دوم

✔️ بررسی شبکه‌های convolution - بخش اول

✔️ بررسی شبکه‌های convolution - بخش دوم

✔️ بررسی شبکه‌های convolution - بخش سوم

✔️ شبکه CNN در TensorFlow و Keras 

✔️ تابع فعالساز در CNN

✔️ دیتاست تصاویر رنگی (cifar10)

✔️ اثر رندوم

✔️ بهبود مدل

✔️ بررسی DataAugmentation

✔️ اعمال augmentation روی دیتاست cifar10

✔️ دیتاست intel image

✔️ کار با داده های حجیم

✔️ کار با داده حجیم در colab

✔️ مفهوم یادگیری انتقالی

✔️ بررسی مدل‌های از قبل آموزش داده شده

✔️ یادگیری انتقالی در keras - بخش اول

✔️ یادگیری انتقالی در keras - بخش دوم

✔️ مساله اندازه تصویر

✔️ شبکه عصبی چند کاناله

✔️ بررسی Keras Functional API

✔️ دیتاست HousePrice - بخش اول

✔️ دیتاست HousePrice - بخش دوم

✔️ دیتاست HousePrice - بخش سوم

✔️ مفاهیم اولیه (متن کاوی و پردازش زبان طبیعی، Text mining & NLP)

✔️ استخراج ویژگی متنی به روش Bag of word, tf-idf

✔️ بهبود ویژگی های متنی - بخش اول

✔️ بهبود ویژگی های متنی - بخش دوم

✔️ دیتاست IMDB - دسته بندی احساسات

✔️ داده متنی فارسی - hazm

✔️ دیتاست خبر فارسی (دسته بندی خبر) - بخش اول

✔️ دیتاست خبر فارسی (دسته بندی خبر) - بخش دوم

✔️ بررسی روش ها

✔️ بررسی مفهوم Word Embedding

✔️ اجرای Embedding در Keras

✔️ بررسی کانولوشن یک بعدی Embedding + (1D-Conv)

✔️ دیتاست IMDB با Conv + Embedding

✔️ کاهش تعداد توکن ها

✔️ چند نکته در ادامه...

✔️ داده های ترتیبی (Sequence Data)

✔️ شبکه عصبی بازگشتی(RNN) - بخش اول

✔️ شبکه عصبی بازگشتی(RNN) - بخش دوم

✔️ نحوه محاسبه خطا و آپدیت در شبکه های بازگشتی

✔️ شبکه بازگشتی در tensorflow, keras

✔️ دسته بندی احساسات (sentiment classification)

✔️ بررسی LSTM و GRU - بخش اول

✔️بررسی LSTM و GRU - بخش دوم

✔️بررسی recurrent dropout

✔️پیشبینی دما - بخش اول

✔️پیشبینی دما - بخش دوم

✔️ بررسی معماری autoencoder

✔️ مثال تصویر در Dense Autoencoder

✔️ Convolutional Autoencoder

✔️ حل تمین + نکات بیشتر

✔️ بررسی معماری U-Net

✔️ بهبود مثال تصویر با U-Net

✔️ بررسی مساله image segmentation

✔️ پروژه بخش بندی تصویر پزشکی - بخش اول

✔️ پروژه بخش بندی تصویر پزشکی - بخش اول

✔️ MultiClass Segmentation

✔️ مقدمه‌ای بر انتشار مدل

✔️ انتشار مدل یادگیری ماشین

✔️ انتشار مدل یادگیری ماشین - GUI

✔️ انتشار مدل یادگیری ماشین API - بخش اول

✔️ انتشار مدل یادگیری ماشین API - بخش دوم

✔️ موانع و راهکار انتشار مدل

✔️ انتشار مدل با ONNX - بخش اول

✔️ انتشار مدل با ONNX - بخش اول

✔️ مقدمه ای بر سیستم های توصیه گر

✔️ انواع سیستم های توصیه گر

✔️ حل مثال Content Base - بخش اول

✔️ حل مثال Content Base - بخش دوم

✔️ حل مثال Collaborative Filtering