مدول  1: مقدمه ای بر یادگیری ماشین

• یادگیری ماشین چیست؟ تعریف، کاربردها و موارد استفاده در دنیای واقعی.
• انواع یادگیری ماشین یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری تقویتی.
• درک خط لوله یادگیری ماشین جمع آوری داده، پیش پردازش، ساخت مدل و ارزیابی.

مدول 2: پایتون برای یادگیری ماشین

• کتابخانه های ضروری پایتون: Numpy، Pandas، Matplotlib، Seaborn و Scikit-learn.
• مدیریت و تجسم داده ها: بارگذاری مجموعه داده ها، پاکسازی داده ها و تحلیل اکتشافی داده ها (EDA).
• راه اندازی محیط: نصب کتابخانه های پایتون و استفاده از Jupyter Notebook.

مدول 3: پیش پردازش داده ها

• مدیریت داده های گمشده و مقادیر پرت: روش های جایگزینی، حذف ناهنجاری ها و مقیاس بندی.
• مهندسی و انتخاب ویژگی ها: رمزگذاری متغیرهای دسته ای، مقیاس بندی ویژگی ها و معیارهای اهمیت.
• تقسیم داده ها: مجموعه های آموزش، اعتبارسنجی و تست.

مدول 4: الگوریتم های یادگیری تحت نظارت

• رگرسیون خطی: مفاهیم، پیاده سازی و کاربردها.
• الگوریتم های طبقه بندی: رگرسیون لجستیک، K-نزدیک ترین همسایه (KNN)، ماشین بردار پشتیبان (SVM).
• روش های ترکیبی: درخت تصمیم، جنگل تصادفی، تقویت گرادیان (مانند XGBoost).

مدول 5: الگوریتم های یادگیری بدون نظارت

• خوشه بندی: K-میانگین، خوشه بندی سلسله مراتبی، DBSCAN.
• کاهش بعد: PCA (تحلیل مولفه های اصلی) و t-SNE.
• کاربردهای یادگیری بدون نظارت: قطعه بندی مشتریان، تشخیص ناهنجاری.

مدول 6: ارزیابی و تنظیم مدل

• معیارهای ارزیابی مدل: دقت، صحت، فراخوانی، F1 Score، منحنی ROC.

مدول 7: استقرار مدل

• مقدمه‌ای بر استقرار: چرا و چگونه مدل‌های یادگیری ماشین را استقرار دهیم.
• استفاده از Streamlit/Flask برای استقرار: ساخت رابط وب برای مدل‌های یادگیری ماشین.

مدول 8: پروژه‌های دنیای واقعی (اختیاری)

• پروژه 1: تجزیه و تحلیل پیش‌بینی: پیش‌بینی قیمت خانه یا ترک مشتری با استفاده از یادگیری تحت نظارت.
• پروژه 2: خوشه‌بندی: قطعه‌بندی مشتریان بر اساس رفتار خرید.
• پروژه 3: طبقه‌بندی تصویر یا متن: طبقه‌بندی ساده تصویر یا تشخیص ایمیل‌های هرزنامه.

مدول 9: پروژه نهائی

• پیش‌بینی حملات قلبی با استفاده از الگوریتم‌های یادگیری ماشین (پیاده‌سازی رابط وب تعاملی)