آموزش علم داده و یادگیری ماشین با پایتون - دست به کار شوید!

درس ها Lessons

• یافتن شباهت های فیلم Finding Movie Similarities

• کاهش ابعاد؛ تجزیه و تحلیل مؤلفه های اصلی Dimensionality Reduction; Principal Component Analysis

• بهبود نتایج شباهت های فیلم Improving the Results of Movie Similarities

• TF/IDF TF / IDF

• کوواریانس و همبستگی Covariance and Correlation

• فیلتر مشارکتی مبتنی بر کاربر User-Based Collaborative Filtering

• مدیریت داده های نامتعادل: نمونه برداری بیش از حد، نمونه برداری کم، و SMOTE Handling Unbalanced Data: Oversampling, Undersampling, and SMOTE

• دستورالعمل راه اندازی لینوکس Linux Setup Instructions

• آموزش نظارت شده در مقابل یادگیری بدون نظارت، آموزش/آزمون Supervised vs. Unsupervised Learning, Train / Test

• اندازه گیری آنتروپی Measuring Entropy

• استفاده از قطار/آزمایش برای جلوگیری از نصب بیش از حد Using Train/Test to Prevent Overfitting

• مدل های چند سطحی Multi-Level Models

• راه حل تمرین: احتمال شرطی Exercise Solution: Conditional Probability

• معرفی پانداها Intro to Pandas

• تشخیص نقاط پرت Detecting Outliers

• مبانی پایتون، قسمت 2 Python Basics, Part 2

• استفاده از KNN برای پیش بینی رتبه بندی یک فیلم Using KNN to Predict a Rating for a Movie

• جستجوی ویکی پدیا با اسپارک Searching Wikipedia with Spark

• رگرسیون چندگانه Multiple Regression

• دوره تصادف در matplotlib A Crash Course in matplotlib

• خوشه بندی افراد بر اساس درآمد و سن Clustering People by Income and Age

• روش های بیزی: مفاهیم Bayesian Methods: Concepts

• فیلتر مشارکتی مبتنی بر آیتم Item-Based Collaborative Filtering

• دستورالعمل های راه اندازی مک Mac Setup Instructions

• عملی با Q-Learning Hands-On with Q-Learning

• استقرار مدل ها در تولید Deploying Models to Production

• مثال PCA با مجموعه داده های Iris PCA Example with the Iris Data Set

• پاک کردن داده های گزارش وب Cleaning Web Log Data

• دست به کار با T-Tests Hands-On with T-Tests

• استفاده از SVM برای خوشه بندی افراد Using SVM to Cluster People

• لینوکس: نصب Graphviz Linux: Installing Graphviz

• میانگین، میانه، حالت Mean, Median, Mode

• K-نزدیکترین همسایگان: مفاهیم K-Nearest-Neighbors: Concepts

• آموزش گروهی Ensemble Learning

• تنوع و انحراف استاندارد Variation and Standard Deviation

• نصب Spark - قسمت 2 Installing Spark - Part 2

• گوچاهای تست A/B A/B Test Gotchas

• K-Means Clustering K-Means Clustering

• مقدمه Introduction

• تعصب/مبادله واریانس Bias / Variance Tradeoff

• قضیه بیز Bayes' Theorem

• معرفی جرقه Spark Introduction

• درختان تصمیم: مفاهیم Decision Trees: Concepts

• بهبود نتایج توصیه‌کننده Improving the Recommender's Results

• K-Means Clustering در Spark K-Means Clustering in Spark

• [فعالیت] XGBoost [Activity] XGBoost

• پاکسازی و عادی سازی داده ها Data Cleaning and Normalization

• K-Fold Cross Validation K-Fold Cross Validation

• یادگیری تقویتی Reinforcement Learning

• مبانی پایتون، قسمت 3 Python Basics, Part 3

• تمرین: احتمال شرطی Exercise: Conditional Probability

• تعیین مدت زمان اجرای یک آزمایش Determining How Long to Run an Experiment

• نمای کلی ماشین‌های بردار پشتیبانی (SVM). Support Vector Machines (SVM) Overview

• استفاده از میانگین، رسانه و حالت در پایتون Using mean, media, and mode in Python

• ذخیره سازی داده ها؛ ETL و ELT Data Warehousing; ETL and ELT

• مفاهیم تست A/B A/B Testing Concepts

• دستورالعمل های راه اندازی ویندوز Windows Setup Instructions

• ویندوز: نصب Graphviz Windows: Installing Graphviz

• درک یک ماتریس سردرگمی Understanding a Confusion Matrix

• تکنیک های انتساب برای داده های از دست رفته Imputation Techniques for Missing Data

• رگرسیون خطی Linear Regression

• توصیه فیلم به مردم Making Movie Recommendations to People

• تابع چگالی احتمال. تابع جرم احتمال Probability Density Function; Probability Mass Function

• عادی سازی داده های عددی Normalizing Numerical Data

• درختان تصمیم در اسپارک Decision Trees in Spark

• درختان تصمیم: پیش بینی تصمیمات استخدام Decision Trees: Predicting Hiring Decisions

• T-Test و P-Values T-Tests and P-Values

• معرفی MLLib Introducing MLLib

• استفاده از Spark 2 DataFrame API برای MLLib Using the Spark 2 DataFrame API for MLLib

• پیاده سازی یک طبقه بندی کننده هرزنامه با Naive Bayes Implementing a Spam Classifier with Naive Bayes

• Binning، Transforming، Encoding، Scaling و Shuffling Binning, Transforming, Encoding, Scaling, and Shuffling

• توزیع داده های رایج Common Data Distributions

• طبقه بندی کننده های اندازه گیری (دقت، فراخوان، F1، ROC، AUC) Measuring Classifiers (Precision, Recall, F1, ROC, AUC)

• مهندسی ویژگی و نفرین ابعاد Feature Engineering and the Curse of Dimensionality

• تجسم داده ها با Seaborn Data Visualization with Seaborn

• مبانی پایتون، قسمت 4 Python Basics, Part 4

• رگرسیون چند جمله ای Polynomial Regression

• صدک ها و لحظه ها Percentiles and Moments

• مک: نصب Graphviz Mac: Installing Graphviz

• نصب Spark - قسمت 1 Installing Spark - Part 1

• Spark و مجموعه داده های توزیع شده انعطاف پذیر (RDD) Spark and the Resilient Distributed Dataset (RDD)

• انواع داده ها Types of Data

• مبانی پایتون، قسمت 1 Python Basics, Part 1

• نکات مهم نصب اسپارک Important Spark Installation Notes