آموزش پایتون 2023 برای یادگیری ماشینی: راهنمای گام به گام

سرفصل ها و درس ها

معرفی Introduction

• معرفی دوره Course Introduction

• مقدمه یادگیری ماشین Machine Learning Introduction

• آناکوندا و پایتون را روی ویندوز نصب کنید Install Anaconda and Python on Windows

• آناکوندا را در لینوکس نصب کنید Install Anaconda in Linux

• معرفی نوت بوک Jupyter و میانبرهای صفحه کلید Jupyter Notebook Introduction and Keyboard Shortcuts

• جایزه Bonus

دوره سقوط پایتون Python Crash Course

• عملیات حسابی در پایتون Arithmatic Operations in Python

• انواع داده ها در پایتون Data Types in Python

• ریخته گری متغیر Variable Casting

• عملیات رشته ها در پایتون Strings Operation in Python

• برش رشته در پایتون String Slicing in Python

• قالب بندی و اصلاح رشته String Formatting and Modification

• متغیرهای بولی و ارزیابی Boolean Variables and Evaluation

• لیست در پایتون List in Python

• تاپل در پایتون Tuple in Python

• 10 مجموعه 10 Set

• فرهنگ لغت Dictionary

• اظهارات مشروط - اگر غیر از این باشد Conditional Statements - If Else

• در حالی که حلقه ها While Loops

• برای حلقه ها For Loops

• کارکرد Functions

• کار با تاریخ و زمان Working with Date and Time

• مدیریت فایل خواندن و نوشتن File Handling Read and Write

دوره تصادف Numpy Numpy Crash Course

• Numpy Introduction - ایجاد Numpy Array Numpy Introduction - Create Numpy Array

• نمایه سازی و برش آرایه Array Indexing and Slicing

• انواع داده Numpy Numpy Data Types

• np.nan و np.inf np.nan and np.inf

• عملیات آماری Statistical Operations

• Shape()، Reshape()، Ravel()، Flatten() Shape(), Reshape(), Ravel(), Flatten()

• arange()، linspace()، range()، تصادفی()، zeros() و ones() arange(), linspace(), range(), random(), zeros(), and ones()

• جایی که Where

• Numpy Array خواندن و نوشتن Numpy Array Read and Write

• الحاق و مرتب سازی Concatenation and Sorting

پانداها برای تجزیه و تحلیل داده ها Pandas for Data Analysis

• قسمت اول معرفی سری پانداها Pandas Series Introduction Part 1

• قسمت دوم معرفی سری پانداها Pandas Series Introduction Part 2

• مجموعه پانداها از فایل خوانده می شود Pandas Series Read From File

• پایتون های ساخته شده در توابع را در سری ها اعمال کنید Apply Pythons Built in Functions to Series

• application() برای سری Pandas apply() for Pandas Series

• Pandas DataFrame ایجاد از ابتدا Pandas DataFrame Creation from Scratch

• خواندن فایل ها به عنوان DataFrame Read Files as DataFrame

• دستکاری ستون ها قسمت 1 Columns Manipulation Part 1

• دستکاری ستون ها قسمت 2 Columns Manipulation Part 2

• عملیات حسابی Arithmetic Operations

• مدیریت ارزش NULL NULL Values Handling

• DataFrame Filtering Data Part 1 DataFrame Data Filtering Part 1

• DataFrame Filtering Data Part 2 DataFrame Data Filtering Part 2

• 14 مدیریت ارزش های منحصر به فرد و تکراری 14 Handling Unique and Duplicated Values

• بازیابی ردیف ها با برچسب شاخص Retrive Rows by Index Label

• جایگزین مقادیر سلول Replace Cell Values

• تغییر نام، حذف فهرست و ستون ها Rename, Delete Index and Columns

• درخواست لامبدا Lambda Apply

• پانداها گروپبی Pandas Groupby

• ستون های چندگانه Groupby Groupby Multiple Columns

• ادغام، پیوستن، و الحاق بخش 1 Merging, Joining, and Concatenation Part 1

• الحاق Concatenation

• ادغام و عضویت Merge and Join

• کار با Datetime Working with Datetime

• اطلاعات سهام را از YAHOO Finance بخوانید Read Stock Data from YAHOO Finance

Matplotlib برای تجزیه و تحلیل داده ها Matplotlib for Data Analysis

• مقدمه Matplotlib Matplotlib Introduction

• طرح خط Matplotlib قسمت 1 Matplotlib Line Plot Part 1

• طرح درآمد فیلم IMDB قسمت 1 IMDB Movie Revenue Line Plot Part 1

• داستان خط درآمد فیلم IMDB قسمت 2 IMDB Movie Revenue Line Plot Part 2

• رتبه طرح خط در مقابل امتیاز رای زمان اجرا Line Plot Rank vs Runtime Votes Metascore

• یک ظاهر طراحی خط و قرار دادن برچسب Line Styling and Putting Labels

• نمودار پراکندگی، نوار و هیستوگرام قسمت 1 Scatter, Bar, and Histogram Plot Part 1

• نمودار پراکندگی، نوار و هیستوگرام قسمت 2 Scatter, Bar, and Histogram Plot Part 2

• طرح فرعی قسمت 1 Subplot Part 1

• طرح فرعی قسمت 2 Subplot Part 2

• طرح های فرعی Subplots

• ایجاد یک زیرشکل بزرگنمایی شده از یک شکل Creating a Zoomed Sub-Figure of a Figure

• xlim و ylim، افسانه، شبکه، xticks، yticks xlim and ylim, legend, grid, xticks, yticks

• نمودار دایره ای و ذخیره شکل Pie Chart and Figure Save

Seaborn برای تجزیه و تحلیل داده ها Seaborn for Data Analysis

• معرفی Introduction

• طرح پراکنده Scatter Plot

• رنگ، سبک و اندازه قسمت 1 Hue, Style and Size Part1

• رنگ، سبک و اندازه قسمت 2 Hue, Style and Size Part2

• طرح خط قسمت 1 Line Plot Part 1

• طرح خط قسمت 2 Line Plot Part 2

• طرح خط قسمت 3 Line Plot Part 3

• طرح های فرعی Subplots

• sns.lineplot() و sns.scatterplot() sns.lineplot() and sns.scatterplot()

• نقشه گربه cat plot

• طرح جعبه Box Plot

• طرح باکسن Boxen Plot

• طرح ویولن Violin Plot

• قطعه نوار Bar Plot

• طرح نقطه ای Point Plot

• طرح مشترک Joint Plot

• طرح جفت Pair Plot

• طرح رگرسیون Regression Plot

• کنترل زیبایی شناسی شکل ترسیم شده Controlling Ploted Figure Aesthetics

تجسم داده ها در پانداها Data Visualization in Pandas

• معرفی مجموعه داده های IRIS IRIS Dataset Introduction

• مجموعه داده IRIS را بارگیری کنید Load IRIS Dataset

• طرح خط Line Plot

• محور ثانویه Secondary Axis

• بار و بره پلات Bar and Barh Plot

• قطعه نوار انباشته Stacked Bar Plot

• هیستوگرام Histogram

• طرح جعبه Box Plot

• مساحت و طرح پراکندگی Area and Scatter Plot

• طرح هگزبین Hexbin Plot

• نمودار دایره ای Pie Chart

• ماتریس پراکندگی و طرح های فرعی Scatter Matrix and Subplots

تجسم داده ها با Plotly Data Visualization with Plotly

• مقدمه ای بر پلاتلی و دکمه سر دست Introduction to Plotly and Cufflinks

• Plotly Line Plot Plotly Line Plot

• طرح پراکنده Scatter Plot

• قطعه نوار انباشته Stacked Bar Plot

• جعبه و قطعه زمین Box and Area Plot

• طرح سه بعدی 3D Plot

• نمودار تاریخ، حباب پلات و نقشه حرارتی Hist Plot, Bubble Plot and Heatmap

رگرسیون خطی Linear Regression

• مقدمه رگرسیون خطی Linear Regression Introduction

• نمونه های رگرسیون Regression Examples

• انواع رگرسیون خطی Types of Linear Regression

• ارزیابی عملکرد مدل Assessing the performance of the model

• مبادله تعصب-واریانس Bias-Variance tradeoff

• sklearn و train-test-split چیست What is sklearn and train-test-split

• ارتقا و واردات بسته پایتون Python Package Upgrade and Import

• مجموعه داده مسکن بوستون را بارگیری کنید Load Boston Housing Dataset

• تجزیه و تحلیل مجموعه داده ها Dataset Analysis

• تجزیه و تحلیل داده های اکتشافی - طرح زوجی Exploratory Data Analysis- Pair Plot

• تجزیه و تحلیل داده های اکتشافی - نمودار تاریخ Exploratory Data Analysis- Hist Plot

• تجزیه و تحلیل داده های اکتشافی - نقشه حرارتی Exploratory Data Analysis- Heatmap

• آموزش اسپلیت و مدل تست قطار Train Test Split and Model Training

• نحوه ارزیابی عملکرد مدل رگرسیون How to Evaluate the Regression Model Performance

• قیمت واقعی خانه در مقابل قیمت پیش بینی شده را ترسیم کنید Plot True House Price vs Predicted Price

• ترسیم منحنی های یادگیری قسمت 1 Plotting Learning Curves Part 1

• ترسیم منحنی های یادگیری قسمت 2 Plotting Learning Curves Part 2

• تفسیرپذیری مدل یادگیری ماشین - نمودار باقیمانده Machine Learning Model Interpretability- Residuals Plot

• تفسیرپذیری مدل یادگیری ماشین - نمودار خطای پیش بینی Machine Learning Model Interpretability- Prediction Error Plot

رگرسیون لجستیک Logistic Regression

• مقدمه رگرسیون لجستیک Logistic Regression Introduction

• تابع سیگموئید Sigmoid Function

• مرز تصمیم گیری Decision Boundary

• معرفی مجموعه داده تایتانیک Titanic Dataset Introduction

• در حال بارگذاری مجموعه داده Dataset Loading

• EDA - نقشه حرارتی و نمودار چگالی EDA - Heatmap and Density Plot

• بخش 1 تعیین سن گمشده Missing Age Imputation Part 1

• بخش 2 تعیین سن گمشده Missing Age Imputation Part 2

• انتساب Missing Embark Town Imputation of Missing Embark Town

• تصحیح و نگاشت انواع داده ها Data Types Correction and Mapping

• رمزگذاری یک داغ One-Hot Encoding

• تقسیم تست قطار Train Test Split

• آموزش و ارزیابی ساختمان مدل Model Building Training and Evaluation

• انتخاب ویژگی - حذف ویژگی بازگشتی Feature Selection - Recursive Feature Elimination

• دقت، امتیاز F1، P، R، منحنی AUC_ROC قسمت 1 Accuracy, F1-Score, P, R, AUC_ROC Curve Part 1

• دقت، امتیاز F1، P، R، منحنی AUC_ROC قسمت 2 Accuracy, F1-Score, P, R, AUC_ROC Curve Part 2

• دقت، امتیاز F1، P، R، منحنی AUC_ROC قسمت 3 Accuracy, F1-Score, P, R, AUC_ROC Curve Part 3

• منحنی ROC و AUC قسمت 1 ROC Curve and AUC Part 1

• منحنی ROC و AUC قسمت 2 ROC Curve and AUC Part 2

• منحنی ROC و AUC قسمت 3 ROC Curve and AUC Part 3

ماشین بردار پشتیبانی Support Vector Machine

• معرفی SVM SVM Introduction

• هسته های SVM SVM Kernels

• معرفی مجموعه داده سرطان پستان Breast Cancer Dataset Introduction

• در حال بارگذاری مجموعه داده Dataset Loading

• تجسم داده های سرطان قسمت 1 Cancer Data Visualization Part 1

• تجسم داده های سرطان قسمت 2 Cancer Data Visualization Part 2

• استاندارد سازی داده ها Data Standardization

• تقسیم تست قطار Train Test Split

• ساخت و آموزش مدل SVM خطی Linear SVM Model Building and Training

• مدل خطی SVM بر روی ویژگی مقیاس شده Linear SVM Model on Scaled Feature

• هسته های چند جمله ای، سیگموئیدی، RBF در SVM Polynomial, Sigmoid, RBF Kernels in SVM

اعتبار سنجی متقاطع و تنظیم فراپارامتر Cross Validation and Hyperparameter Tuning

• مقدمه منظم سازی اعتبارسنجی متقاطع و بهینه سازی فراپارامتر Cross Validation Regularization and Hyperparameter Optimization Introduction

• فرآیند آموزش مدل ML ML Model Training Process

• در حال بارگیری مجموعه داده های سرطان سینه Breast Cancer Dataset Loading

• تجسم داده ها Data Visualization

• تقسیم تست قطار Train Test Split

• رگرسیون خطی و آموزش مدل SVM Linear Regression and SVM Model Training

• مقدمه منظم سازی Regularization Introduction

• تنظیم دستی هایپرپارامتر Manual Hyperparameter Adjustment

• انواع اعتبارسنجی متقاطع Types of Cross Validation

• K-Fold و LeaveOneOut Cross Validation K-Fold and LeaveOneOut Cross Validation

• تنظیم Hypyerparameter Search Grid Grid Search Hypyerparameter Tuning

• تنظیم فراپارامتر جستجوی تصادفی شبکه Random Grid Search Hyperparameter Tuning

K-نزدیکترین همسایه (KNN) K-Nearest Neighbor (KNN)

• مقدمه KNN KNN Introduction

• KNN چگونه کار می کند How KNN Works

• شراب مجموعه داده Laoding Wine Dataset Laoding

• تجسم داده ها Data Visualization

• تقسیم و استانداردسازی تست قطار Train Test Split and Standardization

• ساخت و آموزش مدل KNN KNN Model Building and Training

• تنظیم فراپارامتر Hyperparameter Tuning

• مزایا و معایب KNN Pros and Cons of KNN

درخت تصمیم Decision Tree

• معرفی درخت تصمیم Decision Tree Introduction

• درخت تصمیم چگونه کار می کند How Decision Tree Works

• معیارهای انتخاب ویژگی - ASM چیست. What is Attribute Selection Measures - ASM.

• در حال بارگذاری مجموعه داده Dataset Loading

• تجسم مجموعه داده Dataset Visualization

• تقسیم تست قطار Train Test Split

• آموزش و ارزیابی مدل Model Training and Evaluation

• تجسم درخت Tree Visualization

• بهینه سازی هایپرپارامتر Hyperparameter Optimization

• در حال بارگیری مجموعه داده های دیابت Diabetes Dataset Loading

• رگرسیون درخت تصمیم Decision Tree Regression

جنگل تصادفی Random Forest

• معرفی گروه یادگیری کیف و تقویت Ensemble Learning Bagging and Boosting Introduction

• مقدمه جنگل تصادفی Random Forest Introduction

• معرفی مجموعه داده Dataset Introduction

• تجسم داده ها Data Visualization

• تقسیم تست قطار و رمزگذاری یک داغ Train Test Split and One-Hot Encoding

• آموزش و ارزیابی طبقه بندی کننده تصادفی جنگل Random Forest Classifier Training and Evaluation

• بارگذاری داده برای رگرسیون تصادفی جنگل Data Loading for Random Forest Regression

• ساختمان مدل رگرسیون جنگل تصادفی Random Forest Regression Model Building

• بهینه سازی هایپرپارامتر Hyperparameter Optimization

تقویت الگوریتم ها Boosting Algorithms

• مقدمه تقویت الگوریتم ها Boosting Algorithms Introduction

• درک مجموعه داده های بیماری قلبی Heart-Disease Dataset Understanding

• تجسم داده قسمت 1 Data Visualization Part 1

• تقسیم تست قطار Train Test Split

• آموزش مدل AdaBoost AdaBoost Model Training

• تنظیم Hyperparameter AdaBoost AdaBoost Hyperparameter Tuning

• XGBoost مقدمه XGBoost Introduction

• آموزش مدل XGBoost و تنظیم Hyperparameter XGBoost Model Training and Hyperparameter Tuning

• آموزش مدل CatBoost CatBoost Model Training

• بهینه سازی Hyperparameter CatBoost CatBoost Hyperparameter Optimization

K-Means Clustering K-Means Clustering

• مقدمه ای بر یادگیری بدون نظارت Introduction to Unsupervised Learning

• مقدمه ای بر K-Means Introduction to K-Means

• نحوه انتخاب بهترین تعداد خوشه How to Choose Best Number of Clusters

• K-Means Clustering با Scikit-Learn K-Means Clustering with Scikit-Learn

• کاربرد یادگیری بدون نظارت Application of Unsupervised Learning

• بارگیری اطلاعات مشتریان Customers Data Loading

• تجسم داده ها Data Visualization

• آماده سازی داده های خوشه بندی K-Means K-Means Clustering Data Preparation

• K-Means خوشه بندی برای امتیاز سن و هزینه K-Means Clustering for Age and Spending Score

• تجسم خوشه ها Clusters Visualization

• تجسم مرز تصمیم Decision Boundary Visualization

• قرار دادن همه چیز با هم Putting Everything Together

• انتخاب تعداد بهینه خوشه Selecting Optimum Number of Clusters

• خوشه بندی برای درآمد سالانه در مقابل امتیاز هزینه Clustering for Annual Income vs Spending Score

• خوشه بندی سه بعدی قسمت 1 3D Clustering Part 1

• خوشه بندی سه بعدی قسمت 2 3D Clustering Part 2

خوشه بندی بر اساس چگالی Density Based Clustering

• مقدمه DBSCAN DBSCAN Introduction

• ایجاد مجموعه داده Generate Dataset

• خوشه بندی DBSCAN DBSCAN Clustering

• خوشه بندی طیفی Spectral Clustering

• کدگذاری خوشه بندی طیفی Spectral Clustering Coding

خوشه بندی سلسله مراتبی Hierarchical Clustering

• مقدمه خوشه بندی سلسله مراتبی Hierarchical Clustering Introduction

• اصطلاحات مهم در خوشه بندی سلسله مراتبی Important Terms in Hierarchical Clustering

• بارگذاری اطلاعات بازار سهام Stock Market Data Loading

• کدگذاری خوشه بندی سلسله مراتبی Hierarchical Clustering Coding

تجزیه و تحلیل اجزای اصلی (PCA) Principle Component Analysis (PCA)

• مقدمه PCA PCA Introduction

• نحوه انجام PCA How PCA is Done.

• بارگیری و درک مجموعه داده های MNIST MNIST Dataset Loading and Understanding

• برنامه های کاربردی PCA PCA Applications

• کدگذاری PCA PCA Coding

• تجزیه و تحلیل فشرده سازی PCA PCA Compression Analysis

• بازسازی داده ها Data Reconstruction

• انتخاب تعداد صحیح اجزای اصلی Choosing Right Number of the Principle Components

• بازسازی داده ها با 95 درصد اطلاعات Data Reconstruction with 95% Information

• مقایسه طبقه بندی با و بدون PCA Classification Comparison with and without PCA

مقدمه ای بر یادگیری عمیق Introduction to Deep Learning

• نورون چیست؟ What is Neuron

• پرسپترون چند لایه Multi-Layer Perceptron

• شبکه های عصبی کم عمق در مقابل شبکه های عصبی عمیق Shallow vs Deep Neural Networks

• تابع فعال سازی Activation Function

• پس انتشار چیست؟ What is Back Propagation

• بهینه سازها در یادگیری عمیق Optimizers in Deep Learning

• مراحل ساخت شبکه عصبی Steps to Build Neural Network

• TensorfFlow را در ویندوز نصب کنید Install TensorfFlow in Windows

• TensorFlow را در لینوکس نصب کنید Install TensorFlow in Linux

• بارگیری مجموعه داده ها از دست دادن مشتری Customer Churn Dataset Loading

• تجسم داده قسمت 1 Data Visualization Part 1

• تجسم داده ها قسمت 2 Data Visualization Part 2

• پیش پردازش داده ها Data Preprocessing

• وارد کردن API های شبکه های عصبی Import Neural Networks APIs

• نحوه دریافت شکل ورودی و وزن کلاس How to Get Input Shape and Class Weights

• ساختمان مدل شبکه عصبی Neural Network Model Building

• توضیح خلاصه مدل Model Summary Explanation

• آموزش مدل Model Training

• ارزیابی مدل Model Evaluation

• ذخیره و بارگذاری مدل Model Save and Load

• پیش بینی بر روی داده های زندگی واقعی Prediction on Real-Life Data

مقدمه ای بر پردازش زبان طبیعی (NLP) Introduction to Natural Language Processing (NLP)

• مقدمه ای بر NLP Introduction to NLP

• تکنیک های کلیدی NLP چیست؟ What are Key NLP Techniques

• مروری بر ابزار NLP Overview of NLP Tools

• چالش های رایج در NLP Common Challenges in NLP

• کیسه کلمات - تکنیک جاسازی کلمات ساده Bag of Words - The Simples Word Embedding Technique

• فرکانس مدت - فرکانس سند معکوس (TF-IDF) Term Frequency - Inverse Document Frequency (TF-IDF)

• مجموعه داده های هرزنامه را بارگیری کنید Load Spam Dataset

• پیش پردازش متن Text Preprocessing

• مهندسی ویژگی Feature Engineering

• طرح جفت Pair Plot

• تقسیم تست قطار Train Test Split

• بردارسازی TF-IDF TF-IDF Vectorization

• ارزیابی مدل و پیش بینی بر روی داده های واقعی Model Evaluation and Prediction on Real Data

• بارگذاری و ذخیره مدل Model Load and Store