آموزش یادگیری ماشین با پایتون: ساخت و بهینه‌سازی - آخرین آپدیت

مبانی یادگیری ماشین و مدیریت داده‌ها Foundations of Machine Learning and Data Handling

• 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

• اندیس‌گذاری و برش آرایه‌ها Array Indexing and Slicing

• توابع آرایه 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 دیتافریم‌های Pandas Working with Pandas DataFrames

• برش و اندیس‌گذاری در Pandas Slicing and Indexing with Pandas

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

• تحلیل داده‌ها با دیتافریم Pandas Data Analysis with Pandas DataFrame

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

بصری‌سازی و پیش‌پردازش داده‌ها Data Visualization and Preprocessing

• معرفی Matplotlib Introduction to Matplotlib

• سفارشی‌سازی نمودارهای خطی Customizing Line Plots

• ترسیم نمودار با استفاده از دیتافریم Create Plot Using DataFrame

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

• کدگذاری داده‌های دسته‌ای (Categorical) Encoding Categorical Data

• پایپ‌لاین Sklearn و Column Transformer Sklearn Pipeline and Column Transformer

• معیارهای ارزیابی در Sklearn Evaluation Metrics in Sklearn

مدل‌های یادگیری ماشین و بهینه‌سازی Machine Learning Models and Optimization

• رگرسیون خطی Linear Regression

• ارزیابی مدل رگرسیون خطی Evaluation of Linear Regression Model

• رگرسیون چندجمله‌ای Polynomial Regression

• ادامه رگرسیون چندجمله‌ای Polynomial Regression Continued

• پایپ‌لاین Sklearn برای رگرسیون چندجمله‌ای Sklearn Pipeline Polynomial Regression

• طبقه‌بندی درخت تصمیم Decision Tree Classifier

• ارزیابی درخت تصمیم Decision Tree Evaluation

• جنگل تصادفی (Random Forest) Random Forest

• ماشین‌های بردار پشتیبان (SVM) Support Vector Machines

• خوشه‌بندی K-Means Kmeans Clustering

• تمرین عملی خوشه‌بندی K-Means KMeans Clustering - Hands On

• بارگذاری و تحلیل داده‌ها Data Loading and Analysis

• کاهش ابعاد با استفاده از PCA Dimensionality Reduction with PCA

• تنظیم هایپرپارامترها Hyper Parameter Tuning

• جمع‌بندی نهایی Summary