آموزش علوم داده - یادگیری ماشین نظارت شده با پایتون - آخرین آپدیت

سرفصل ها و درس ها

مقدمه و مرور مفاهیم Introduction and Review

• مقدمه و سرفصل‌ها Introduction and Outline

• چگونه در این دوره موفق شویم How to Succeed in this Course

• راهنمای دسترسی به کدها و داده‌ها Where to Get the Code and Data

• مرور مفاهیم مهم Review of Important Concepts

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

• درک شهودی K-نزدیک‌ترین همسایه K-Nearest Neighbor Intuition

• مفاهیم الگوریتم KNN K-Nearest Neighbor Concepts

• پیاده‌سازی KNN با مجموعه داده MNIST KNN in Code with MNIST

• مواردی که KNN در آن‌ها شکست می‌خورد When KNN Can Fail

• استفاده از KNN برای مسئله XOR KNN for the XOR Problem

• استفاده از KNN برای مسئله Donut KNN for the Donut Problem

• تاثیر مقدار K Effect of K

• تمرین عملی KNN KNN Exercise

• باکس پیشنهادات Suggestion Box

نایو بیز و طبقه‌بندی‌کننده‌های بیز Naive Bayes and Bayes Classifiers

• درک شهودی طبقه‌بندی بیز (پیوسته) Bayes Classifier Intuition (Continuous)

• درک شهودی طبقه‌بندی بیز (گسسته) Bayes Classifier Intuition (Discrete)

• الگوریتم نایو بیز (Naive Bayes) Naive Bayes

• مثال دست‌نویس نایو بیز Naive Bayes Handwritten Example

• پیاده‌سازی نایو بیز با MNIST Naive Bayes in Code with MNIST

• روش‌های غیر نایو بیز Non-Naive Bayes

• پیاده‌سازی طبقه‌بندی بیز با MNIST Bayes Classifier in Code with MNIST

• تحلیل متمایز خطی (LDA) و تحلیل متمایز درجه دوم (QDA) Linear Discriminant Analysis (LDA) and Quadratic Discriminant Analysis (QDA)

• مدل‌های مولد در مقابل مدل‌های متمایز Generative vs Discriminative Models

درخت‌های تصمیم Decision Trees

• درک شهودی درخت تصمیم Decision Tree Intuition

• مبانی درخت تصمیم Decision Tree Basics

• آنتروپی اطلاعات Information Entropy

• بیشینه کردن بهره اطلاعاتی (Information Gain) Maximizing Information Gain

• انتخاب بهترین نقطه تقسیم Choosing the Best Split

• پیاده‌سازی درخت تصمیم در کد Decision Tree in Code

پرسپترون‌ها Perceptrons

• مفاهیم پرسپترون Perceptron Concepts

• پیاده‌سازی پرسپترون در کد Perceptron in Code

• پرسپترون برای MNIST و XOR Perceptron for MNIST and XOR

• تابع زیان (Loss Function) پرسپترون Perceptron Loss Function

یادگیری ماشین کاربردی Practical Machine Learning

• هایپرپارامترها و اعتبارسنجی متقاطع Hyperparameters and Cross-Validation

• استخراج ویژگی و انتخاب ویژگی Feature Extraction and Feature Selection

• مقایسه با یادگیری عمیق Comparison to Deep Learning

• طبقه‌بندی چندکلاسه Multiclass Classification

• کتابخانه SciKit Learn Sci-Kit Learn

• رگرسیون ساده با SciKit Learn Regression with Sci-Kit Learn is Easy

ساخت سرویس وب یادگیری ماشین Building a Machine Learning Web Service

• مفاهیم ساخت سرویس وب یادگیری ماشین Building a Machine Learning Web Service Concepts

• کدنویسی سرویس وب یادگیری ماشین Building a Machine Learning Web Service Code

جمع‌بندی و نتیجه‌گیری Conclusion

• گام‌های بعدی؛ ماشین‌های بردار پشتیبان (SVM) و روش‌های Ensemble What's Next? Support Vector Machines and Ensemble Methods (e.g. Random Forest)