آموزش جامع یادگیری ماشین کاربردی با پایتون - آخرین آپدیت

مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

• معرفی دوره Course Introduction

• یادگیری ماشین در صنعت Machine Learning in Industry

• نحوه استفاده شرکت‌ها از یادگیری ماشین How Companies use Machine Learning

• فرآیند یادگیری ماشین Machine Learning Process

• مراحل یادگیری ماشین Steps in Machine Learning

• انواع یادگیری ماشین Types of Machine Learning

• مقدمه‌ای بر رگرسیون خطی Introduction to Linear Regression

• مثال‌های واقعی Real Life Examples

• محاسبه OLS Calculating OLS

• معادله OLS Equation of OLS

• فرض‌های رگرسیون خطی Assumptions in Linear Regression

• دموی عملی: راه‌اندازی مدل Demonstration: Setting Up the Model

• محاسبه R-Square و RMSE Calculating R - Square and RMSE

• نمودار باقیات و نمودار Q-Q Residual Plot and Q-Q Plot

• فاصله کوک (Cook's Distance) Cook's Distance

• مثال‌های واقعی از رگرسیون لجستیک Real - Life Examples of Logistic Regression

• رگرسیون لجستیک چیست؟ What is Logistic Regression

• تابع هزینه (Cost Function) Cost Function

• فرض‌های رگرسیون لجستیک Assumptions in Logistic Regression

• دموی رگرسیون لجستیک: تبدیل داده‌ها Demonstration of Logistic Regression: Transforming Data

• دموی رگرسیون لجستیک: توسعه مدل Demonstration of Logistic Regression: Developing the Model

• ماتریس اغتشاش (Confusion Matrix) Confusion Matrix

• مثالی برای محاسبه ماتریس اغتشاش Example for Calculating Confusion Matrix

• شرایط بیش‌برازش و کم‌برازش Conditions for Over-Fitting and Under-Fitting

• بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) Overfitting and Underfitting

• معیارهای عملکرد: MSE, RMSE, MAE, MAPE Performance Metrics - MSE, RMSE, MAE, MAPE

• معرفی R-Square, RMSLE و Adjusted R-Square R - Square, RMSLE and Adjusted R - Square

• نحوه عملکرد R-Square Working of R - Square

• اهمیت R-Square Significance of R - Square

• جمع‌بندی مفاهیم اولیه یادگیری ماشین Summary for Inception of Machine Learning

الگوریتم‌های یادگیری ماشین Machine Learning Algorithms

• طبقه‌بندی در یادگیری ماشین Classification in Machine Learning

• درخت تصمیم چیست؟ What is Decision Tree?

• درخت تصمیم: انتروپی و بهره اطلاعاتی Decision Tree - Entropy and Information Gain

• ساخت گام‌به‌گام درخت تصمیم Step by Step Building of Decision Tree

• هرس کردن (Pruning) در درخت تصمیم Pruning in Decision Tree

• دموی عملی: وارد کردن داده‌ها Demonstration: Importing Data

• دموی عملی: ساخت درخت تصمیم و جنگل تصادفی Demonstration: Building Decision Tree and Random Forest

• دموی عملی: اهمیت ویژگی‌ها (Feature Importance) Demonstration: Importance of Features

• دموی عملی: جنگل تصادفی آماده برای محیط عملیاتی Demonstration: Production Ready Random Forest

• دموی عملی: تنظیم هایپرپارامترها Demonstration: Hyperparameter Tuning

• ماشین بردار پشتیبان (SVM) چیست؟ What is SVM?

• اصطلاحات تخصصی در SVM Terminologies in SVM

• تابع Hinge Loss و سایر پارامترها Hinge Loss Function and Other Parameters

• دموی SVM: بررسی داده‌ها Demonstration of SVM - Exploring the Data

• دموی SVM: تنظیم طبقه‌بند SVM Demonstration of SVM - Setting up the SVM Classifier

• نایو بیز (Naive Bayes) چیست؟ What is Naive Bayes?

• نحوه عملکرد نایو بیز: قضیه بیز Working of Naive Bayes: Bayes Theorem

• مثالی از الگوریتم نایو بیز Example of Naive Bayes Algorithm

• دموی عملی کدنویسی نایو بیز Demonstration of Naive Bayes Code

• نحوه عملکرد KNN Working of KNN

• مثالی از الگوریتم KNN Example of KNN Algorithm

• دموی KNN: راه‌اندازی مدل Demonstration of KNN - Setting Up the Model

• دموی KNN: تبدیل و مقیاس‌بندی داده‌ها Demonstration of KNN - Transforming and Scaling Data

• دموی KNN: ایجاد طبقه‌بند Demonstration of KNN - Creating Classifier

• کاهش ابعاد (Dimensionality Reduction) Dimensionality Reduction

• مقدمه‌ای بر PCA Introduction to PCA

• به‌کارگیری PCA Applying PCA

• مقادیر ویژه و بردارهای ویژه Eigen Values and Eigen Vectors

• دموی عملی: مقداردهی اولیه PCA Demonstration: Initializing PCA

• دموی عملی: تعیین تعداد بهینه مؤلفه‌ها با PCA Demonstration: Determining Optimal Number of Components through PCA

• دموی عملی: پیاده‌سازی PCA بهینه Demonstration: Implementing Optimal PCA

• نحوه عملکرد LDA Working of LDA

• دموی عملی LDA Demonstration of LDA

• جمع‌بندی الگوریتم‌های یادگیری ماشین Summary for Machine Learning Algorithms

استخراج قوانین انجمنی و سیستم‌های توصیه‌گر Association Rule Mining and Recommendation System

• قوانین انجمنی چیست؟ What are Association Rules?

• الگوریتم Apriori Apriori Algorithm

• دموی عملی الگوریتم Apriori Demonstrating Apriori Algorithm

• موتورهای توصیه‌گر چیستند؟ What are Recommendation Engine?

• فیلترینگ مبتنی بر محتوا (CBF) CBF

• دموی موتور توصیه‌گر: آماده‌سازی داده‌ها Demonstration of Recommendation Engine: Preparing Data

• دموی عملی: تست مدل Demonstration: Testing the Model

• المان‌های یادگیری تقویت‌شده (Reinforcement Learning) Elements for Reinforcement Learning

• دموی Boosting: توضیح مجموعه داده Demonstration of Boosting: Explaining the Dataset

• دموی Boosting: پاک‌سازی و تبدیل مجموعه داده Demonstration of Boosting: Cleaning and Transforming Dataset

• دموی Boosting: عوامل مؤثر بر ارتقاء Demonstration of Boosting: Factors Affecting Promotion

• دموی Boosting: امتیاز کلی و تاثیر خدمات بر ارتقاء Demonstration of Boosting: Total Score and Service Affecting Promotion

• دموی Boosting: تاثیر سن و رتبه سال قبل بر ارتقاء Demonstration of Boosting: Age , Previous Year rating Influencing Promotion

• دموی Boosting: تاثیر دپارتمان بر ارتقاء Demonstration of Boosting: Department Influencing Promotion

• دموی Boosting: تاثیر تحصیلات بر ارتقاء و جمع‌بندی Demonstration of Boosting: Education Affecting Promotion and Summarization

• دموی Boosting: مدل‌سازی داده‌ها Demonstration of Boosting: Modeling the Data

• دموی Boosting: ساخت مدل Demonstration of Boosting: Building a Model

• نحوه عملکرد الگوریتم K-Means Working of K-Means Algorithm

• دموی عملی خوشه‌بندی K-Means Demonstration of K-Means Clustering

• جمع‌بندی استخراج قوانین انجمنی و سیستم‌های توصیه‌گر Summary for Association Rule Mining and Recommendation System

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

• خلاصه دوره یادگیری ماشین کاربردی با پایتون Course Summary for Applied Machine Learning with Python