پیش‌نیازهای ریاضی

1. جبر خطی (بردارها، ماتریس‌ها، ضرب ماتریس‌ها)
2. آمار و احتمالات مقدماتی (میانگین، واریانس، توزیع نرمال)

ابزارهای پایه در پایتون

1. کار با کتابخانه Numpy (آرایه‌ها، عملیات برداری، برادکستینگ)
2. کار با کتابخانه Pandas (خواندن داده، فیلتر کردن، گروه‌بندی، ادغام)
3. مصور سازی داده با Matplotlib و Seaborn (نمودارهای پراکندگی، هیستوگرام، جعبه‌ای)

پیش‌پردازش داده (Dada Preprocessing)

1. تمیزکاری داده‌ها (مقادیر گم‌شده، داده‌های پرت)
2. تبدیل داده‌ها (نرمال‌سازی، استانداردسازی، کدگذاری متغیرهای کیفی)
3. تقسیم داده به مجموعه‌های آموزش و تست

مدل‌های نظارت‌شده (Supervised Learning)

1. رگرسیون (Regression): رگرسیون خطی ساده و چندگانه، ارزیابی با MSE و R2
2. طبقه‌بندی (Classification): رگرسیون لجستیک، KNN ، درخت تصمیم مقدماتی
3. معیارهای ارزیابی: دقت (Accuracy)، ماتریس درهم‌ریختگی (Confusion Matrix)، دقت و فراخوانی (Precision/Recall)

مدل‌های بدون نظارت (Unsupervised Learning)

1. خوشه‌بندی با الگوریتم K-Means
2. ارزیابی خوشه‌ها با معیار سیلوئت (Silhouette Score)

مفاهیم کلیدی

1. بیش‌برازش و کم‌برازش (Overfitting & Underfitting)
2. اعتبارسنجی متقابل (Cross-Validation) مقدماتی

پروژه عملی جامع

پیاده‌سازی یک پروژه کامل از صفر. از بارگزاری داده تا انتخاب مدل و ارزیابی