آموزش یادگیری ماشین با پایتون از صفر - آخرین آپدیت

سرفصل ها و درس ها

تنظیم محیط Environment Setup

• آناکوندا L1-Anaconda

• ژوپیتر نوت‌بوک L2-Jupyter Notebook

تحلیل داده Data Analysis

• مقدمه L1-Introduction

• نام‌پای: مفهوم آرایه و عملیات ریاضی L2-Numpy: Array Concept and Math Operations

• نام‌پای: ایندکس‌گذاری، برش‌زنی و پیمایش L3-Numpy: Indexing, Slicing and Iterating

• نام‌پای: دستکاری شکل L4-Numpy: Shape Manipulation

• نام‌پای: جبر خطی L5-Numpy: Linear Algebra

• پانداس: ساختارها و ویژگی‌های داده L6-Pandas: Data structures and properties

• پانداس: عملیات L7-Pandas: Operations

• پانداس: اعمال توابع L8-Pandas: Applying Functions

• پانداس: واردات و صادرات داده L9-Pandas: Importing and Exporting data

• پانداس: ادغام، پیوست، الحاق و گروه‌بندی L10-Pandas: Merge-Join-Concat-Group by

• پانداس: آمار با پانداس L11-Pandas: Statistics with Pandas

• سری‌های زمانی با پانداس L12-Time Series with Pandas

• مبانی مت‌پلات‌لیب L13-Matplotlib basics

• مت‌پلات‌لیب: زیرنمودارها و محورها L14-Matplotlib Subplots and Axes

• مت‌پلات‌لیب: روش شیءگرا L15-Matplotlib: Object Oriented Method

• مت‌پلات‌لیب: نقشه‌های رنگی L16-Matplotlib: Color Maps

• مت‌پلات‌لیب: نمودارهای آماری بخش اول L17-Matplotlib: Statistical Graphs part1

• مت‌پلات‌لیب: نمودارهای آماری بخش دوم L18-Matplotlib: Statistical Graphs part2

• سی‌بورن: مبانی L19-Seaborn: Basics

• سی‌بورن: پالت رنگی L20-Seaborn: Color Palette

• سی‌بورن: داده‌های دسته‌بندی شده L21-Seaborn: Categorical Data

• سی‌بورن: داده‌های عددی L22-Seaborn: Numerical Data

یادگیری ماشین Machine Learning

• مقدمه‌ای بر یادگیری ماشین L1-Introduction to Machine Learning

• بیش‌برازش و کم‌برازش L2-Overfitting and Underfitting

• اعتبارسنجی متقابل K-Fold L3-KFold Cross Validation

• معیارهای طبقه‌بندی L4-Classification Metrics

• رگرسیون لجستیک L5-Logistic Regression

• رسم مرزهای تصمیم‌گیری L6-Plotting Decision Boundaries

• دسته‌بندی‌کننده نایو بیز L7-Naive Bayes Classifier

• ماشین‌های بردار پشتیبان برای طبقه‌بندی L8-Suppor Vector Machines for Classification

• درختان تصمیم L9-Decision Trees

• جنگل تصادفی L10-Random Forest

• کا نزدیک‌ترین همسایه (KNN) L11-KNN

• جستجوی شبکه GridSearchCV L12-GridSearchCV

• خوشه‌بندی کی-میانگین (K-Means) L13-K-Means

• تحلیل مؤلفه‌های اصلی (PCA) L14-Principal Component Analysis(PCA)

• تحلیل تفکیک خطی (LDA) L15-Linear Discriminant Analysis(LDA)

• تحلیل مؤلفه‌های اصلی کرنل (KPCA) L16-Kernel Principal Component Analysis(KPCA)

• روش‌های ترکیبی (بگینگ) L17-Ensemble Methods(Bagging)

• آدابوست L18-AdaBoost

• مدل رگرسیون و معیارها L19-Regression Model and Metrics

• رگرسیون خطی L20-Linear Regression

• رگولاریزاسیون با لاسو، ریج و الاستیک‌نت L21-Regularization with Lasso, Ridge and ElasticNet

• رگرسیون چندجمله‌ای L22-Polynomial Regression

• SVM، KNN و جنگل تصادفی برای رگرسیون L23-SVM, KNN and Random Forest for Regression

• رگرسیون رانساک L24-RANSAC Regression

شبکه‌های عصبی Neural Networks

• مفاهیم شبکه‌های عصبی - بخش اول L1-Neural Networks Concepts-Part 1

• مفاهیم شبکه‌های عصبی - بخش دوم L2-Neural Networks Concepts-Part 2

• توابع زیان L3-Loss Functions

• توابع فعال‌سازی L4-Activation Functions

• بهینه‌سازی شبکه‌های عصبی مصنوعی (ANNs) L5-Optimization of ANNs

• ساخت یک شبکه عصبی مصنوعی (ANN) با پایتون - بخش اول L6-Constructing an ANN with Python-part1

• ساخت یک شبکه عصبی مصنوعی (ANN) با پایتون - بخش دوم L7-Constructing an ANN with Python-part2

• ساخت یک شبکه عصبی مصنوعی (ANN) با پایتون - بخش سوم L8-Constructing an ANN with Python-part3

• پرسپترون با سایکیت‌لرن L9-Perceptron with Scikit Learn

• پرسپترون چندلایه با سایکیت‌لرن L10-Multilayer Perceptron with Scikit Learn

کاربردها Applications

• مجموعه داده‌ها L1-Datasets

• شبکه عصبی مصنوعی (ANN) برای رگرسیون - بخش اول L2-ANN for Regression Part 1

• شبکه عصبی مصنوعی (ANN) برای رگرسیون - بخش دوم L3-ANN for Regression Part 2

• شناسایی ارقام دست‌نویس L4-Recognizing Handwritten Digits

اطلاعات تکمیلی - کد منبع و موارد دیگر Extra Information - Source code, and other stuff

• کد منبع Source Code

• سخنرانی و اطلاعات جایزه Bonus Lecture and Information