یادگیری ماشین در پایتون
یادگیری ماشین در پایتون
درباره و معرفی دوره یادگیری ماشین در پایتون:
یادگیری ماشین یکی از پرکاربردترین و مهیج‌ترین شاخه‌های علم داده است که به کامپیوترها توانایی یادگیری و بهبود عملکرد بر اساس تجربه‌ها، بدون برنامه‌ریزی صریح، را می‌دهد. این دوره طراحی شده تا شما را با اصول اساسی یادگیری ماشین آشنا کرده و شما را در مسیر تبدیل شدن به یک کارشناس این حوزه راهنمایی کند. از طریق مجموعه‌ای از جلسات تعاملی و پروژه‌های عملی، شرکت‌کنندگان با کاربرد کتابخانه‌های پایتون مانند NumPy, Pandas, Matplotlib, و Scikit-learn آشنا شده و مهارت‌های لازم برای پیاده‌سازی الگوریتم‌های یادگیری ماشین را کسب خواهند کرد.
کاربردهای یادگیری ماشین در پایتون:
یادگیری ماشین در پایتون کاربردهای فراوانی دارد که از جمله آن‌ها می‌توان به تشخیص چهره، پیش‌بینی قیمت‌ها، تجزیه و تحلیل احساسات، سیستم‌های توصیه‌گر و خودران اشاره کرد. در این دوره، ما روی چندین کاربرد کلیدی تمرکز خواهیم کرد تا دانش‌آموزان را با چگونگی استفاده و اجرای الگوریتم‌های یادگیری ماشین در مسائل واقعی آشنا سازیم. این تجربه عملی نه تنها درک شما را از نظریه‌های پشت یادگیری ماشین عمیق‌تر می‌کند بلکه مهارت‌های برنامه‌نویسی شما را نیز در پایتون، زبان برنامه‌نویسی پیشرو در حوزه علم داده، بهبود می‌بخشد.
هدف از این دوره ارائه دانش و مهارت‌های لازم برای به‌کارگیری یادگیری ماشین در پروژه‌های واقعی و ایجاد راه‌حل‌های نوآورانه برای چالش‌های پیچیده است. از طریق این دوره، شما قادر خواهید بود تا دانش خود را به طور مؤثر در عرصه‌های کاری و تحقیقاتی به کار گیرید و نقشی کلیدی در پیشرفت فناوری‌های آینده ایفا کنید.
سر فصل ها:
-
1 یادگیری نظارتی-رگرسیون خطی
- 1-1- مدل رگرسیون خطی ساده و چندگانه
- 2-1- کمترین مربعات و روش‌های بهینه‌سازی
- 3-1- ارزیابی مدل رگرسیون: MSE، RMSE، R²
-
2 یادگیری نظارتی-رگرسیون لجستیک
- 1-2- مدل‌سازی احتمالات و تابع لجستیک
- 2-2- ارزیابی مدل: دقت، بازخوانی، F1-Score، ROC-AUC
-
3 یادگیری نظارتی-درخت تصمیم و جنگل‌های تصادفی
- 1-3- ساختار و پرورش درخت تصمیم
- 2-3- برش و اعتبارسنجی درخت
- 3-3- معرفی جنگل‌های تصادفی و مزایای آن‌ها
-
4 یادگیری نظارتی-ماشین‌های بردار پشتیبانی (SVM)
- 1-4- مفهوم فضای ویژگی و مرز تصمیم
- 2-4- هسته‌ها و ترفندهای هسته‌ای
- 3-4- ارزیابی و تنظیم مدل SVM
-
5 یادگیری بدون نظارت-خوشه‌بندی k-means
- 1-5- الگوریتم k-means و انتخاب k
- 2-5- ارزیابی خوشه‌بندی: شاخص Silhouette
-
6 یادگیری بدون نظارت-تحلیل مؤلفه‌های اصلی (PCA)
- 1-6- کاهش بعد و تفسیر PCA
- 2-6- کاربردهای PCA در تجسم داده‌ها
-
7 یادگیری بدون نظارت-الگوریتم DBSCAN
- 1-7- تنظیم پارامترهای DBSCAN
- 1-7- مفهوم چگالی در خوشه‌بندی
-
8 پیش‌پردازش داده‌ها-پاک‌سازی داده‌ها
- 1-8- رفع داده‌های گمشده
- 2-8- حذف نویز و داده‌های پرت
-
9 پیش‌پردازش داده‌ها-تبدیل داده‌ها
- 1-9- نرمال‌سازی و استانداردسازی
- 2-9- کدگذاری متغیرهای دسته‌ای
-
10 پیش‌پردازش داده‌ها-انتخاب ویژگی
- 1-10- روش‌های فیلتر، بسته‌بندی و جاسازی
- 2-10- اهمیت ویژگی‌ها
-
11 ارزیابی مدل-معیارهای ارزیابی
- 1-11- برای دسته‌بندی: دقت، بازخوانی، F1-Score، ROC-AUC
- 2-11- برای رگرسیون: MSE، RMSE، R²
-
12 ارزیابی مدل-اعتبارسنجی متقابل
- 1-12- روش‌های اعتبارسنجی متقابل: k-fold، Leave-One-Out
- 2-12- استفاده از اعتبارسنجی متقابل برای انتخاب مدل و تنظیم پارامتر
-
مهارتها
1. اینترنت اشیاء (Internet of Things)
2. رایانش ابری (Cloud Computing)
3. رایانش مهی (Fog Computing)
4. پردازش تصویر
5. یادگیری ماشین
