یادگیری ماشین در پایتون
به دوره یادگیری ماشین با پایتون خوش آمدید. این دوره از سطح مقدماتی شروع شده و به سطح پیشرفته می رسد. در این دوره، شما با مفاهیم اصلی یادگیری ماشین آشنا می شوید و چگونگی استفاده از آنها را در پایتون یاد می گیرید.
در بخش مقدماتی، ما با مفاهیم اولیه یادگیری ماشین، انواع الگوریتم ها و کتابخانه های مرتبط در پایتون آشنا می شویم. همچنین، ما نحوه پردازش داده ها و تبدیل آنها به فرمت مناسب برای مدل های یادگیری ماشین را یاد می گیریم.
در بخش میانی، ما به بررسی عمیق تر الگوریتم های یادگیری ماشین می پردازیم و چگونگی آموزش و ارزیابی مدل ها را یاد می گیریم. ما همچنین به بررسی تکنیک های تنظیم مدل و جلوگیری از بیش برازش می پردازیم.
در بخش پیشرفته، ما به بررسی الگوریتم های پیشرفته تر یادگیری ماشین می پردازیم و چگونگی استفاده از آنها برای حل مسائل پیچیده تر را یاد می گیریم. ما همچنین به بررسی تکنیک های پیشرفته تر برای ارزیابی و بهینه سازی مدل ها می پردازیم.
در پایان این دوره، شما قادر خواهید بود مسائل مختلف با استفاده از یادگیری ماشین و پایتون حل کنید. این دوره برای کسانی که علاقمند به یادگیری ماشین و توسعه مهارت های خود در پایتون هستند، مناسب است.
سر فصل ها:
-
1 مقدمه
- 1-1- تکامل تاریخی یادگیری ماشین
- 2-1- مقایسه با برنامه‌نویسی سنتی
- 3-1- گرایش‌های آینده در یادگیری ماشین
-
2 آماده سازی پایتون
- 1-2- کتابخانه‌ها و چارچوب‌های پایتون برای یادگیری ماشین
-
3 متدهای یادگیری ماشین
- 1-3- مقایسه یادگیری نظارت شده، نظارت نشده
- 2-3- مدل‌های یادگیری ترکیبی
- 3-3- ارزیابی مدل‌های یادگیری ماشین
-
4 بارگذاری داده ها برای پروژه های یادگیری ماشین
- 1-4- منابع داده و کسب آنها
- 2-4- پاک‌سازی و پیش‌پردازش داده‌ها
- 3-4- رسیدگی به داده‌های حجیم
-
5 درک داده ها با آمار
- 1-5- آزمون‌های آماری در تجزیه و تحلیل داده‌ها
- 2-5- توزیع داده‌ها و تأثیر آن بر مدل‌های یادگیری ماشین
- 3-5- مفاهیم پیشرفته آماری برای یادگیری ماشین
-
6 درک داده ها با مصورسازی
- 1-6- تکنیک‌های پیشرفته مصورسازی
- 2-6- ابزارها و نرم‌افزارهای مصورسازی
- 3-6- مصورسازی برای کاوش داده‌ها
-
7 آماده سازی داده ها
- 1-7- تمیزکاری داده‌ها (Data Cleaning)
- 2-7- تبدیل داده‌ها (Data Transformation)
- 3-7- کاهش ابعاد (Dimensionality Reduction)
-
8 انتخاب ویژگی داده ها
- 1-8- تحلیل همبستگی (Correlation Analysis)
- 2-8- روش‌های مبتنی بر مدل (Model-Based Methods)
- 3-8- روش‌های بر پایه فیلتر (Filter-Based Methods)
-
9 کلاسه بندی
- 1-9- Support Vector Machine (SVM)
- 2-9- Decision Tree
- 3-9- Naïve Bayes
- 4-9- Random Forest Introduction
-
10 رگرسیون
- 1-10- Linear Regression
-
11 خوشه بندی
- 1-11- K-means Algorithm
- 2-11- Mean Shift Algorithm
- 3-11- Hierarchical Clustering
- 12-- KNN Algorithm – یافتن نزدیکترین همسایه ها
- 13-- معیارهای ارزیابی
- 14-- یادگیری ماشین با خطوط لوله – گردش کار خودکار
- 15-- بهبود عملکرد مدل های یادگیری ماشین
My name is Seyed Ali Hosseini and I am a PhD candidate in software engineering at the Islamic Azad University of Qazvin (Barajin) branch. I also have five years of teaching experience at the Islamic Azad University of Sanandaj branch and have worked on data science projects in several different companies.
مهارتها
Data science
Mobile computing
