فصل 1: مبانی، مفاهیم و الگوریتم‌های یادگیری ماشین

راهنمای جامع مبانی یادگیری ماشین: تعریف تام میچل، چرخه داده تا استقرار، حل بیش‌برازش و کم‌برازش و توازن بایاس و واریانس همراه با تست‌های تحلیلی.

بررسی جامع پارادایم‌های یادگیری ماشین: یادگیری نظارت‌شده، نظارت‌نشده، خودنظارتی (Self-Supervised) و تقویتی با درخت تصمیم‌گیری انتخاب مدل.

مقایسه و پیاده‌سازی الگوریتم‌های طبقه‌بندی: رگرسیون لجستیک، درخت تصمیم، SVM، جنگل تصادفی، XGBoost، فرمول جینی و آنتروپی با تست‌های تالیفی.

راهنمای تخصصی خوشه‌بندی در یادگیری بدون نظارت: K-Means، خوشه‌بندی سلسه‌مراتبی و DBSCAN چگالی‌محور همراه با روش آرنج و امتیاز Silhouette.

آموزش گام به گام رگرسیون خطی و چندمتغیره، ریاضیات منظم‌سازی Lasso و Ridge، توابع زیان و معیارهای ارزیابی MSE, RMSE, MAE و R-squared.

ماتریس درهم‌ریختگی، دقت، صحت، بازخوانی، F1-Score، منحنی ROC، امتیاز AUC، اعتبارسنجی متقاطع K-Fold و جلوگیری از نشت داده (Data Leakage).

مبانی شبکه‌های عصبی مصنوعی: پرسپترون چندلایه (MLP)، توابع فعال‌سازی ReLU، Sigmoid، بیشینه‌ساز Softmax، الگوریتم پس‌انتشار خطا و معماری عمیق.

راهنمای سیستم‌های فازی لطفی‌زاده: مجموعه‌ها و متغیرهای زبانی، توابع عضویت مثلثی و ذوزنقه‌ای، سیستم استنتاج ممدانی و سوگنو و فازی‌زدایی.