– پاکسازی داده ها و مدیریت مقادیر از دست رفته

 – مقیاس بندی و نورمال سازی ویژگی ها

 – مدیریت متغیرهای طبقه بندی شده با استفاده از  One_Hot Encoding و Label Encoding

 – تکنیک های مهندسی ویژگی

 – مقدمه ای بر تحلیل رگرسیون

 – اجرای رگرسیون خطی با استفاده از Scikit-Learn

 – رگرسیون چند جمله ای

 – معیارهای ارزیابی مدل: میانگین مربعات خطا  (MSE)، R-squared

 – مقدمه ای بر الگوریتم های طبقه بندی

 – رگرسیون لجستیک

 – (KNN) K-Nearest Neighbors

 – Decision Tree و Random Forest

 – معیارهای ارزیابی مدل

-خوشه بندی

-کاهش ابعاد

– Curse of dimensionality

  -تجزیه و تحلیل اجزای اصلی (PCA)

-t-Distributed Stochastic Neighbor Embedding (t-SNE)

 – مبانی شبکه های عصبی مصنوعی

 – مقدمه ای بر TensorFlow و  Keras

 – ساخت یک شبکه عصبی ساده برای طبقه بندی

 – آموزش و ارزیابی الگو

– شبکه های عصبی کانولوشن (CNN)

 – انتقال یادگیری با مدل های از پیش آموزش دیده

– مقدمه ای بر NLP و جاسازی کلمات

 – شبکه های عصبی مکرر (RNN) و حافظه طولانی کوتاه مدت (LSTM)