پایتون ویژه هوش مصنوعی

در این فصل، نحوه تعامل با فایل‌ها در محیط پایتون بررسی می‌شود. این بخش شامل آموزش خواندن و نوشتن فایل‌های متنی، بررسی حالت‌های مختلف دسترسی به فایل و به‌کارگیری کتابخانه OS جهت مدیریت فایل‌ها و مسیرهای سیستم‌عامل است.

• خواندن و نوشتن فایل‌های متنی (open, read, write).
• حالت‌های مختلف باز کردن فایل (r, w, a).
• کتابخانه OS.

بخش اول: کتابخانه NumPy

این کتابخانه به‌عنوان ابزار پایه در پایتون برای انجام محاسبات عددی، کار با آرایه‌های چندبعدی و پیاده‌سازی عملیات ریاضی با کارایی بالا معرفی می‌شود.

• معرفی نامپای و تفاوت با لیست.
• Scalar ،Vector ،Matrix ،Tensor.
• ایجاد آرایه‌ها (array ،zeros ،ones ،eye ،full ،arange ،linspace).
• ویژگی‌های آرایه‌ها (shape ،ndim ،dtype ،size).
• تغییر نوع داده (astype).
• شکل دهی آرایه‌ها (shape ،reshape ،ravel ،flatten ،squeeze).
• Slicing و Indexing.
• عملیات ریاضی روی آرایه‌ها.
• Vectorization و Broadcasting.
• توابع آماری و تجمیعی (sum ،mean ،std ،var،min ،max ،argmin ،argmax).
• مرتب‌سازی و مقادیر یکتا (sort ،argsort ،unique).
• تولید داده های تصادفی.
• مبانی جبر خطی (det ،inv ،solve ،norm ،trace ،transpose).

بخش دوم: کتابخانه Scipy

این کتابخانه، مجموعه‌ای از ابزارهای تخصصی برای محاسبات علمی، بهینه‌سازی، جبر خطی، تحلیل‌های آماری و پردازش داده‌های عددی فراهم می‌کند و در بسیاری از پروژه‌های داده‌محور و هوش مصنوعی مورد استفاده قرار می‌گیرد.

• معرفی SciPy و کاربردهای آن.
• بهینه‌سازی (scipy.optimize ،minimize ،constraints ،bounds).
• جبر خطی (scipy.linalg: eig ،svd ،inv ،solve ،norm).
• توابع و آزمون‌های آماری (stats: ttest_ind ،norm ،chi2 ،pearsonr ،zscore).
• درون‌یابی داده‌ها (scipy.interpolate).
• آشنایی با ماتریس‌های Sparse.

بخش سوم: کتابخانه Pandas

این کتابخانه جهت بارگذاری، مدیریت، تحلیل و پاک‌سازی داده‌های ساخت‌یافته و جدولی در پروژه‌های داده‌محور مورد استفاده قرار می‌گیرد.

• معرفی DataFrame ،Series.
• ساخت DataFrame.
• خواندن و ذخیره فایل‌ها (csv ،excel).
• مشاهده و بررسی داده‌ها (head ،tail ،info, ،describe ،shape ،sample).
• انتخاب و فیلتر داده‌ها.
• مدیریت داده‌های گمشده.
• مدیریت داده‌های تکراری.
• مرتب‌سازی و GroupBy.
• اعمال توابع روی داده‌ها.
• پاک سازی داده‌ها (Data cleaning).

بخش چهارم: کتابخانه Matplotlib

این کتابخانه ابزاری استاندارد برای ترسیم انواع نمودارها و نمایش بصری داده‌ها است که به تحلیل و درک بهتر نتایج کمک می‌کند.

• نمودار خطی.
• نمودار میله‌ای.
• نمودار پراکندگی (scatter).
• نمودار دایره‌ای (pie).
• تنظیم عنوان، لیبل، legend.
• چند نمودار در یک شکل.
• ذخیره نمودار.

بخش پنجم: کتابخانه Seaborn

این کتابخانه به‌عنوان مکمل Matplotlib، جهت ایجاد نمودارهای آماری پیشرفته با ظاهری حرفه‌ای و خوانایی بیشتر به‌کار می‌رود.

• Countplot.
• KDE Plot.
• Boxplot.
• Violinplot.
• Swarmplot.
• Heatmap.
• Pairplot و Jointplot.
• Catplot و FacetGrid.

بخش ششم: کتابخانه Scikit-learn

این کتابخانه جهت پیاده‌سازی جریان کاری یادگیری ماشین، از آماده‌سازی داده‌ها تا آموزش و ارزیابی مدل‌ها استفاده می‌شود. در این بخش، تمرکز بر آشنایی عملی با فرآیندهای یادگیری ماشین است.

• آشنایی با مفاهیم پایه (feature ،label ،train ،test ،validation ،model).
• تقسیم داده‌ها به Train و Test.
• Scaling، Normalization و Standardization.
• Encoding با LabelEncoder و OneHotEncoder.
• آماده‌سازی داده و ساخت مدل.
• آموزش مدل.
• پیش‌بینی.
• پیاده‌سازی مدل KNN.
• ارزیابی مدل.
• مقیاس‌بندی داده‌ها (StandardScaler ،MinMaxScaler).

بخش هفتم: کتابخانه OpenCV

کتابخانه‌ای قدرتمند برای پردازش تصویر و ویدئو و پیاده‌سازی مفاهیم مقدماتی بینایی ماشین است.

• خواندن و نمایش تصویر.
• ساختار تصویر به‌صورت آرایه سه‌بعدی.
• تغییر اندازه و برش تصویر.
• تبدیل رنگ‌ها (gray,rgb).
• رسم اشکال روی تصویر.
• ذخیره تصویر.

بخش اول: Keras

کراس یک رابط سطح‌بالا برای طراحی و آموزش شبکه‌های عصبی است که امکان پیاده‌سازی سریع مدل‌های یادگیری عمیق را فراهم می‌سازد.

• هدف: ساخت شبکه عصبی و طبقه‌بندی ساده.
• معرفی شبکه عصبی و ساخت مدل با Sequential API.
• لایه‌ها (Input ،Dense ،Activation).
• کامپایل مدل.
• آموزش و ارزیابی مدل.
• ساخت مدل‌های Classification.
• بهبود عملکرد مدل.
• Callbacks در Keras.
• CNN و پردازش تصویر.
• Data Augmentation.
• Transfer Learning.
• ذخیره و بارگذاری مدل.

بخش دوم: PyTorch
فریم‌ورکی حرفه‌ای و انعطاف‌پذیر برای پیاده‌سازی مدل‌های یادگیری عمیق است که بر درک دقیق‌تر ساختار شبکه‌ها تمرکز دارد.

• معرفی Pytorch وTensor.
• Autograd.
• ساخت اولین مدل عصبی.
• Training.
• Dataset و DataLoader.
• Classification.
• Regression.
• CNN.
• جلوگیری از Overfitting.
• Transfer Learning.
• CUDA ,GPU.