آموزش یادگیری ماشین کاربردی بدون کدنویسی - آخرین آپدیت

مقدمه‌ای بر Orange، مبانی یادگیری ماشین و ریاضیات Introduction to Orange, ML Foundations and Mathematics

• معرفی دوره Course Introduction

• نرم‌افزار Orange چیست؟ برنامه‌نویسی بصری برای علوم داده What is Orange? Visual Programming for Data Science

• ویجت‌های رابط کاربری، بوم (Canvas) و مفاهیم گردش کار Orange Interface Widgets, Canvas and Workflow Concepts

• تمرین عملی: نصب Orange و ایجاد اولین گردش کار Hands-On: Installing Orange and Creating the First Workflow

• جبر خطی مقدماتی: بردارها، ماتریس‌ها و عملیات ساده Basic Linear Algebra Vectors, Matrices and Simple Operations

• تمرین عملی: مبانی احتمال و توزیع‌های پیوسته Hands-On: Probability Basics and Continuous Distributions

• درک شیب‌ها و گرادیان‌های بهینه‌سازی Understanding Slopes and Optimization Gradients

• مبانی یادگیری ماشین Machine Learning Fundamentals

• بیش‌برازش، کم‌برازش و توازن میان بایاس و واریانس Overfitting, Underfitting, and Bias-Variance Tradeoff

• تقسیم داده‌های آموزش و تست، اعتبارسنجی متقاطع و انتخاب مدل Train-Test Split, Cross-Validation and Model Selection

مدل‌سازی رگرسیون از مقدماتی تا پیشرفته Regression Modeling - Basic to Advanced

• درک انواع رگرسیون و ریاضیات رگرسیون خطی Understanding Regression Types and Mathematics of Linear Regression

• تمرین عملی: انتخاب ویژگی برای رگرسیون خطی Hands-On: Feature Selection for Linear Regression

• تمرین عملی: ساخت مدل‌های رگرسیون خطی در Orange Hands-On: Building Linear Regression Models in Orange

• ماشین‌های بردار پشتیبان (SVM) و جنگل تصادفی برای رگرسیون Support Vector Machines and Random Forest for Regression

• تمرین عملی: ساخت مدل‌های رگرسیون SVM در Orange Hands-On: Building SVM Regression Models in Orange

• تمرین عملی: ساخت مدل‌های رگرسیون جنگل تصادفی در Orange Hands-On: Building Random Forest Regression Models in Orange

• معیارهای رگرسیون: RMSE، MAE، امتیاز R² و ارزیابی مدل Regression Metrics: RMSE, MAE, R² Score and Model Evaluation

• انتخاب مدل Model Selection

• تمرین عملی: ارزیابی مدل و تحلیل باقی‌مانده‌ها در Orange Hands-On: Model Evaluation and Residual Analysis in Orange

• مفاهیم تنظیم هایپرپارامترها Hyperparameter Tuning Concepts

• تمرین عملی: تنظیم هایپرپارامترها در Orange Hands-On: Hyperparameter Tuning in Orange

مدل‌سازی طبقه‌بندی از مقدماتی تا پیشرفته Classification Modeling - Basic to Advanced

• درک طبقه‌بندی: انواع و ریاضیات الگوریتم‌های طبقه‌بندی Understanding Classification - Types and Mathematics of Classification Algorithms

• تمرین عملی: ساخت مدل‌های طبقه‌بندی رگرسیون لجستیک و درخت تصمیم در Orange Hands-On: Building Logistic Regression and Decision Tree Classification Models in Orange

• تمرین عملی: مدل‌های طبقه‌بندی K-نزدیک‌ترین همسایه و Naive Bayes Hands-On: K-Nearest Neighbors and Naive Bayes Classification Models

• ماشین‌های بردار پشتیبان (SVM) و جنگل تصادفی برای طبقه‌بندی Support Vector Machines and Random Forest for Classification

• تمرین عملی: ساخت مدل‌های طبقه‌بندی SVM در Orange Hands-On: Building SVM Classification Models in Orange

• تمرین عملی: ساخت طبقه‌بندی‌کننده‌های جنگل تصادفی و اهمیت ویژگی‌ها Hands-On: Building Random Forest Classifiers and Feature Importance

• ماتریس اغتشاش، منحنی‌های ROC و معیارهای طبقه‌بندی Confusion Matrix, ROC Curves and Classification Metrics

• تمرین عملی: ارزیابی مدل با ROC AUC و مقایسه عملکرد Hands-On: Model Evaluation with ROC-AUC and Performance Comparison

• تمرین عملی: تنظیم هایپرپارامترها و انتخاب مدل نهایی Hands-On: Hyperparameter Tuning and Final Model Selection

جمع‌بندی دوره Course Wrap-Up

• خلاصه دوره Course Summary