آموزش یادگیری ماشین: مفاهیم و کاربردها - آخرین آپدیت

یادگیری ماشین و خط لوله یادگیری ماشین Machine Learning and the Machine Learning Pipeline

• معرفی دوره Course Introduction

• خط لوله علم داده The Data Science Pipeline

• دریافت و کاوش داده‌ها Data Ingestion and Exploration

• راهنمای عملی: کاوش داده‌ها با Pandas Lab Walkthrough: Data Exploration with Pandas

• یادگیری نظارت شده، مدل‌های خطی و حداقل مربعات Supervised Learning, Linear Models, and Least Squares

• راهنمای عملی: رگرسیون خطی Lab Walkthrough: Linear Regression

حداقل مربعات و تخمین حداکثر احتمال Least Squares and Maximum Likelihood Estimation

• رگرسیون خطی و حداقل مربعات Linear Regression and Least Squares

• راهنمای عملی: رگرسیون خطی روی مجموعه داده سرطان پروستات Lab Walkthrough: Linear Regression on the Prostate Cancer Dataset

• تخمین حداکثر احتمال Maximum Likelihood Estimation

• راهنمای عملی: رگرسیون خطی و تخمین حداکثر احتمال Lab Walkthrough: Linear Regression and Maximum Likelihood Estimation

توابع پایه و منظم‌سازی Basis Functions and Regularization

• توابع پایه Basis Functions

• راهنمای عملی: ویژگی‌ها و توابع پایه Lab Walkthrough: Features and Basis Functions

• منظم‌سازی و توازن بایاس-واریانس Regularization and the Bias-Variance Tradeoff

• راهنمای عملی: رگرسیون خطی و منظم‌سازی Lab Walkthrough: Linear Regression: Regularization

انتخاب مدل و رگرسیون لجستیک Model Selection and Logistic Regression

• انتخاب مدل و اعتبارسنجی متقاطع Model Selection and Cross Validation

• راهنمای عملی: انتخاب مدل و خط لوله‌ها Lab Walkthrough: Model Selection and Pipelines

• رگرسیون لجستیک Logistic Regression

• راهنمای عملی: رگرسیون لجستیک Lab Walkthrough: Logistic Regression

طبقه‌بندی‌های بیشتر: SVMها و Naive Bayes More Classifiers: SVMs and Naive Bayes

• ماشین‌های بردار پشتیبان (SVM) Support Vector Machines

• راهنمای عملی: ماشین‌های بردار پشتیبان Lab Walkthrough: Support Vector Machines

• طبقه‌بندی Naive Bayes Naive Bayes Classification

• مثالی از طبقه‌بندی Naive Bayes Naive Bayes Classification Example

مدل‌های مبتنی بر درخت، متدهای گروهی و ارزیابی Tree-Based Models, Ensemble Methods, and Evaluation

• مدل‌های مبتنی بر درخت Tree-Based Models

• مدل‌های گروهی، Bagging و Boosting Ensembles, Bagging, and Boosting

• راهنمای عملی: درخت‌ها و جنگل‌ها Lab Walkthrough: Trees and Forests

• معیارهای ارزیابی Evaluation Metrics

• راهنمای عملی: ارزیابی Lab Walkthrough: Evaluation

متدهای خوشه‌بندی Clustering Methods

• یادگیری نظارت نشده (K-Means، سلسله‌مراتبی) Unsupervised Learning (K-Means, Hierarchical)

• راهنمای عملی: خوشه‌بندی Lab Walkthrough: Clustering

• خوشه‌بندی (KDE, Meanshift, DBSCAN) Clustering (KDE, Meanshift, DBSCAN)

• راهنمای عملی: خوشه‌بندی مبتنی بر توزیع و چگالی Lab Walkthrough: Density and Distribution-Based Clustering

کاهش ابعاد و مدل‌های زمانی Dimensionality Reduction and Temporal Models

• تحلیل مؤلفه‌های اصلی (PCA) Principal Component Analysis (PCA)

• راهنمای عملی: تحلیل مؤلفه‌های اصلی Lab Walkthrough: Principal Component Analysis

• مدل‌های زمانی و مدل‌های مارکوف پنهان Temporal Models and Hidden Markov Models

• راهنمای عملی: مدل‌های مارکوف پنهان Lab Walkthrough: Hidden Markov Models

یادگیری عمیق Deep Learning

• شبکه‌های عصبی پیش‌خور (Feed Forward) Feed-Forward Neural Networks

• راهنمای عملی: شبکه‌های عصبی پیش‌خور Lab Walkthrough: Feed Forward Neural Networks

• شبکه‌های عصبی پیچشی (CNN) Convolutional Neural Networks

• راهنمای عملی: شبکه‌های عصبی پیچشی Lab Walkthrough: Convolutional Neural Nets