آموزش یادگیری ماشین با پایتون: از مفاهیم پایه تا ساخت مدل - آخرین آپدیت

مبانیان یادگیری ماشین و محاسبات عددی Foundations of Machine Learning & Numerical Computing

• معرفی دوره Introduction to Course

• یادگیری ماشین چیست What is Machine Learning

• چرخه حیات یادگیری ماشین Life Cycle

• معرفی کتابخانه NumPy Introduction to Numpy Library

• ساخت آرایه‌ها از ابتدا Creating Arrays from Scratch

• ادامه ساخت آرایه‌ها از ابتدا Creating Arrays from Scratch Continued

تسلط بر NumPy و معرفی Pandas Mastering NumPy & Introduction to Pandas

• اندیس‌گذاری و برش آرایه‌ها Array Indexing and Slicing

• توابع آرایه‌های NumPy و تغییر شکل Numpy Array Functions and Shape Modification

• عملیات ریاضی روی آرایه‌های NumPy Mathematical Operations on Numpy Arrays

• معرفی کتابخانه Pandas Introduction to Pandas Library

• کار با دیت‌فریم‌های Pandas Working with Pandas DataFrames

• برش و اندیس‌گذاری در Pandas Slicing and Indexing with Pandas

تحلیل داده‌ها و بصری‌سازی Data Analysis & Visualization

• ساخت دیت‌فریم و بررسی مجموعه داده Create DataFrame and Explore Dataset

• تحلیل داده‌ها با Pandas DataFrame Data Analysis with Pandas DataFrame

• سایر متدهای کاربردی در کتابخانه Pandas Other Useful Methods in Pandas Library

• معرفی Matplotlib Introduction to Matplotlib

• سفارشی‌سازی نمودارهای خطی Customizing Line Plots

• رسم نمودار با استفاده از دیت‌فریم Create Plot Using DataFrame

یادگیری ماشین با Scikit Learn Machine Learning with Scikit-Learn

• استفاده از Standard Scaler برای مقیاس‌بندی داده‌ها Standard Scaler to Scale the Data

• کدگذاری داده‌های دسته‌ای (Categorical Encoding) Encoding Categorical Data

• خط‌لوله Sklearn و Column Transformer Sklearn Pipeline and Column Transformer

• معیارهای ارزیابی در Sklearn Evaluation Metrics in Sklearn

• رگرسیون خطی Linear Regression

• ارزیابی مدل رگرسیون خطی Evaluation of Linear Regression Model