آموزش یادگیری ماشین در مدل های تحقیق و پیش بینی | 3 دوره در 1

سرفصل ها و درس ها

معرفی Introduction

• معرفی Introduction

• انگیزه دوره: چرا از یادگیری ماشین برای پیش بینی استفاده کنیم؟ Motivation for the course: Why to use Machine Learning for Predictions?

• Leraning ماشینی چیست و انواع اصلی آن چیست؟ What is Machine Leraning and it's main types?

• مروری بر ماشین لرانینگ در R Overview of Machine Leraning in R

• انواع یادگیری ماشینی Machine Learning Types

نرم افزار مورد استفاده در این دوره R-Studio و Introduction to R Software used in this course R-Studio and Introduction to R

• مقدمه بخش 2 Introduction to Section 2

• R و RStudio چیست؟ What is R and RStudio?

• نحوه نصب R و RStudio در سال 2021 How to install R and RStudio in 2021

• آزمایشگاه: R و RStudio را در سال 2021 نصب کنید Lab: Install R and RStudio in 2021

• مقدمه ای بر رابط RStudio Introduction to RStudio Interface

• آزمایشگاه: با R در RStudio شروع کنید Lab: Get started with R in RStudio

• نسخه فعلی R و R-Studio چیست؟ What is the current version of R and R-Studio

R Crash Course - با R-programming در R-Studio شروع کنید R Crash Course - get started with R-programming in R-Studio

• مقدمه بخش 3 Introduction to Section 3

• آزمایشگاه: نصب بسته ها و مدیریت بسته ها در R Lab: Installing Packages and Package Management in R

• متغیرها در R و انتساب متغیرها در R Variables in R and assigning Variables in R

• آزمایشگاه: متغیرها در R و انتساب متغیرها در R Lab: Variables in R and assigning Variables in R

• مروری بر انواع داده ها و ساختارهای داده در R Overview of data types and data structures in R

• آزمایشگاه: انواع داده ها و ساختارهای داده در R Lab: data types and data structures in R

• عملیات بردارها در R Vectors' operations in R

• انواع داده ها و ساختار داده ها: عوامل Data types and data structures: Factors

• چارچوب های داده: نمای کلی Dataframes: overview

• توابع در R - نمای کلی Functions in R - overview

• Lab: For Loops در R Lab: For Loops in R

• داده ها را به R بخوانید Read Data into R

مبانی مدل سازی پیش بینی با یادگیری ماشین: Thoery Fundamentals of predictive modelling with Machine Learning: Thoery

• مروری بر فرآیند پیش بینی Overview of prediction process

• اجزای مدل های پیش بینی و معاوضه در پیش بینی Components of the prediction models and trade-offs in prediction

• آزمایشگاه: اولین مدل پیش بینی شما در R Lab: your first prediction model in R

• برازش بیش از حد، خطاهای نمونه در مدل سازی یادگیری ماشین در R Overfitting, sample errors in Machine Learning modelling in R

• آزمایشگاه: برازش بیش از حد، خطاهای نمونه در مدل‌سازی یادگیری ماشین در R Lab: Overfitting, sample errors in Machine Learning modelling in R

• طراحی مطالعه برای مدل سازی پیش بینی با یادگیری ماشین Study design for predictive modelling with Machine Learning

• نوع خطاها و نحوه اندازه گیری آنها Type of Errors and how to measure them

• اعتبار سنجی متقابل در مدل های یادگیری ماشینی Cross Validation in Machine Learning Models

• انتخاب داده برای مدل های یادگیری ماشین Data Selection for Machine Learning models

یادگیری ماشین بدون نظارت و تجزیه و تحلیل خوشه ای در R Unsupervised Machine Learning and Cluster Analysis in R

• یادگیری بدون نظارت و خوشه بندی: نظریه Unsupervised Learning & Clustering: theory

• خوشه بندی سلسله مراتبی: مثال Hierarchical Clustering: Example

• خوشه بندی سلسله مراتبی: آزمایشگاه Hierarchical Clustering: Lab

• خوشه بندی سلسله مراتبی: ادغام نقاط Hierarchical Clustering: Merging points

• نقشه های حرارتی: تئوری Heat Maps: theory

• نقشه های حرارتی: آزمایشگاه Heat Maps: Lab

• مثال K-Means Clustering در R: Lab Example K-Means Clustering in R: Lab

• K-means clustering: کاربرد در بازاریابی ایمیلی K-means clustering: Application to email marketing

• نقشه های حرارتی برای تجسم نتایج K-Means در R: نمونه آزمایشگاهی Heatmaps to visualize K-Means Results in R: Examplery Lab

• انتخاب تعداد خوشه‌ها برای روش‌های خوشه‌بندی بدون نظارت (K-Means) Selecting the number of clusters for unsupervised Clustering methods (K-Means)

• نحوه ارزیابی گرایش خوشه‌بندی مجموعه داده How to assess a Clustering Tendency of the dataset

• ارزیابی عملکرد الگوریتم های یادگیری بدون نظارت (خوشه بندی). Assessing the performance of unsupervised learning (clustering) algorithms

یادگیری ماشین نظارت شده در R: طبقه بندی در R Supervised Machine Learning in R: Classification in R

• مروری بر عملکرد پکیج Caret R Overview of functionality of Caret R-package

• یادگیری ماشین نظارت شده و KNN: بررسی اجمالی Supervised Machine Learning & KNN: Overview

• آزمایشگاه: طبقه بندی نظارت شده با الگوریتم K Nearest Neighbors در R Lab: Supervised classification with K Nearest Neighbours algorithm in R

• طبقه بندی با الگوریتم KNN Classification with the KNN-algorithm

• نظریه: ماتریس سردرگمی Theory: Confusion Matrix

• آزمایشگاه: محاسبه دقت طبقه بندی برای مدل رگرسیون لجستیک Lab: Calculating Classification Accuray for logistic regression model

• آزمایشگاه: منحنی مشخصه عملکرد گیرنده (ROC) و AUC Lab: Receiver operating characteristic (ROC) curve and AUC

یادگیری ماشین نظارت شده در R: تحلیل رگرسیون خطی Supervised Machine Learning in R: Linear Regression Analysis

• مروری بر تحلیل رگرسیون Overview of Regression Analysis

• تحلیل گرافیکی مدل های رگرسیون Graphical Analysis of Regression Models

• آزمایشگاه: اولین مدل رگرسیون خطی شما Lab: your first linear regression model

• همبستگی در تحلیل رگرسیون در R: Lab Correlation in Regression Analysis in R: Lab

• چگونه بفهمیم مدل برای داده های شما مناسب است یا خیر - مروری How to know if the model is best fit for your data - An overview

• تشخیص رگرسیون خطی Linear Regression Diagnostics

• AIC و BIC AIC and BIC

• ارزیابی عملکرد مدل پیش بینی در یادگیری تحت نظارت: رگرسیون Evaluation of Prediction Model Performance in Supervised Learning: Regression

• آزمایشگاه: پیش بینی با مدل رگرسیون خطی و RMSE به عنوان خطای درون نمونه Lab: Predict with linear regression model & RMSE as in-sample error

• ارزیابی مدل پیش‌بینی با تقسیم داده‌ها: RMSE خارج از نمونه Prediction model evaluation with data split: out-of-sample RMSE

انواع بیشتری از مدل های رگرسیون در R More types of regression models in R

• آزمایشگاه: رگرسیون خطی چندگانه - تخمین مدل Lab: Multiple linear regression - model estimation

• آزمایشگاه: رگرسیون خطی چندگانه - پیش بینی Lab: Multiple linear regression - prediction

• ملزومات رگرسیون غیر خطی در R: مدل های رگرسیون چند جمله ای و اسپلاین Non-linear Regression Essentials in R: Polynomial and Spline Regression Models

• آزمایشگاه: رگرسیون چند جمله ای در R Lab: Polynomial regression in R

• آزمایشگاه: تبدیل لاگ در R Lab: Log transformation in R

• آزمایشگاه: رگرسیون اسپلاین در R Lab: Spline regression in R

• آزمایشگاه: مدل های افزودنی تعمیم یافته در R Lab: Generalized additive models in R

ملزومات انتخاب مدل (و پیش بینی کننده ها) در R Model (and Predictors) Selection Essentials in R

• مقدمه ای بر اصول انتخاب مدل در R Introduction to Model Selection Essentials in R

کار با داده های غیر پارامتری و غیر خطی (یادگیری ماشینی تحت نظارت) Working With Non-Parametric and Non-Linear Data (Supervised Machine Learning)

• درختان طبقه بندی و تصمیم گیری (CART): نظریه Classification and Decision Trees (CART): Theory

• آزمایشگاه: درختان تصمیم در R Lab: Decision Trees in R

• جنگل تصادفی: نظریه Random Forest: Theory

• آزمایشگاه: جنگل تصادفی در R Lab: Random Forest in R

• مدل جنگل تصادفی پارامتریز Parametrise Random Forest model

• آزمایشگاه: مقایسه مدل‌های یادگیری ماشین و انتخاب بهترین مدل Lab: Machine Learning Models' Comparison & Best Model Selection

• با استفاده از بهترین مدل پیش بینی کنید Predict using the best model

• تکلیف نهایی پروژه Final Project Assignment

جایزه BONUS

• جایزه BONUS