آموزش مسترکلاس یادگیری ماشین (Machine Learning) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• قبل از شروع دوره Before The Course

• سیستم امتیازدهی Ratings

نمادهای ضروری ریاضی Essential Math Symbols

• نمادهای ضروری ریاضی ۱ Essential Math Symbols - 1

• نمادهای ضروری ریاضی ۲ Essential Math Symbols - 2

• نمادهای ضروری ریاضی ۴ Essential Math Symbols - 4

آشنایی با یادگیری ماشین Introduction to Machine Learning

• آشنایی با یادگیری ماشین Introduction to Machine Learning

• تاریخچه و تکامل یادگیری ماشین History and Evolution of Machine Learning

• کاربردهای یادگیری ماشین Applications of Machine Learning

• انواع یادگیری ماشین: نظارت شده، نظارت نشده و تقویتی Types of Machine Learning: Supervised, Unsupervised, and Reinforcement Learning

• خط لوله (Pipeline) یادگیری ماشین Machine Learning Pipeline

• مروری بر کتابخانه‌های پایتون برای یادگیری ماشین Overview of Python Libraries for Machine Learning

پایه‌های ریاضی یادگیری ماشین Mathematical Foundations for Machine Learning

• مقدمه‌ای بر بردارها و عملیات برداری - توضیح بصری Introduction to Vectors and Vector Operations - Visual Explanation

• مقدمه‌ای بر بردارها و عملیات برداری Introduction to Vectors and Vector Operations

• مقادیر ویژه و بردارهای ویژه Eigenvalues and Eigenvectors

• توابع و ویژگی‌های آن‌ها Functions and Their Properties

• مشتقات و قواعد دیفرانسیل‌گیری Derivatives and Differentiation Rules

• نظریه احتمال Probability Theory

• توزیع‌های احتمالی Probability Distributions

• قضیه بیز Bayes’ Theorem

• آزمون فرضیه Hypothesis Testing

• گرادیان نزولی Gradient Descent

• الگوریتم RMSprop RMSprop

• الگوریتم AdaGrad AdaGrad

• پیاده‌سازی AdaGrad با پایتون AdaGrad with Python

گرادیان نزولی Gradient Descent

• گرادیان نزولی با پایتون Gradient Descent with Python

• گرادیان نزولی تصادفی (SGD) Stochastic Gradient Descent

• گرادیان نزولی دسته‌ای کوچک (Mini Batch) Mini-Batch Gradient Descent

برنامه‌نویسی پایتون (اختیاری) Python Programming (Optional)

• پایتون چیست؟ What is Python?

• آناکوندا، ژوپیتر و ویژوال استودیو کد Anaconda & Jupyter & Visual Studio Code

• گوگل کولب (Google Colab) Google Colab

• راه‌اندازی محیط برنامه نویسی Environment Setup

• سینتکس پایتون و عملیات پایه Python Syntax & Basic Operations

• ساختارهای داده: لیست‌ها، تاپل‌ها، مجموعه‌ها Data Structures: Lists, Tuples, Sets

• ساختارهای کنترلی و حلقه‌ها Control Structures & Looping

• توابع و برنامه‌نویسی تابعی پایه Functions & Basic Functional Programming

• توابع سطح متوسط Intermediate Functions

• دیکشنری‌ها و ساختارهای داده پیشرفته Dictionaries and Advanced Data Structures

• ماژول‌ها، پکیج‌ها و وارد کردن کتابخانه‌ها Modules, Packages & Importing Libraries

• کار با فایل‌ها File Handling

• مدیریت استثناها و کدنویسی مقاوم Exception Handling & Robust Code

• برنامه‌نویسی شی‌گرا (OOP) OOP

• عملیات پیشرفته لیست‌ها و List Comprehensions Advanced List Operations & Comprehensions

پیش‌پردازش داده‌ها (اختیاری) Data Preprocessing (Optional)

• کیفیت داده‌ها Data Quality

• تکنیک‌های پاک‌سازی داده‌ها Data Cleaning Techniques

• مدیریت مقادیر گم‌شده Handling Missing Values

• مدیریت داده‌های پرت (Outliers) Handling Outliers

• مقیاس‌بندی و نرمال‌سازی ویژگی‌ها Feature Scaling and Normalization

• استانداردسازی Standardization

• کدگذاری داده‌های دسته‌ای (Categorical) Encoding Categorical Data

• مهندسی ویژگی‌ها Feature Engineering

• کاهش ابعاد Dimensionality Reduction

تحلیل اکتشافی داده‌ها (EDA) Exploratory Data Analysis (EDA)

• آمار توصیفی Descriptive Statistics

• بصری‌سازی داده‌ها: Matplotlib و Seaborn Data Visualization: Matplotlib and Seaborn

• تحلیل چندمتغیره Multivariate Analysis

مفاهیم مقدماتی و نمادگذاری Introduction Concepts and Notation

• مفاهیم مقدماتی ML ۱ ML Introduction Concepts - 1

• مفاهیم مقدماتی ML ۲ ML Introduction Concepts - 2

• مفاهیم مقدماتی ML ۳ ML Introduction Concepts - 3

• مفاهیم مقدماتی ML ۴ ML Introduction Concepts - 4

• نمادگذاری Notation

یادگیری Learning

• یادگیری چیست؟ What is Learning?

• چرا تابع f را پیش‌بینی می‌کنیم؟ Why Do We Predict f?

• نفرین ابعاد (Curse of Dimensionality) Curse of Dimensionality

• چگونه f را پیش‌بینی کنیم؟ How Do We Predict f?

• دقت پیش‌بینی یا سادگی مدل؟ Prediction Accuracy or Model Simplicity?

• رگرسیون در مقابل طبقه‌بندی Regression vs Classification

اندازه‌گیری دقت مدل Measuring Model Accuracy

• اندازه‌گیری کیفیت پیش‌بینی Measuring Prediction Quality

• توازن بین بایاس و واریانس Bias-Variance Trade-Off

• ساختار طبقه‌بندی Classification Setup

• مثال الگوریتم KNN KNN Example

رگرسیون خطی ساده Simple Linear Regression

• پایه ریاضی رگرسیون Mathematical Basis of Regression

• رگرسیون - توضیح بصری Regression - Visual Explanation

رگرسیون خطی چندگانه Multiple Linear Regression

• رگرسیون خطی چندگانه Multiple Linear Regression

• جدول OLS OLS Table

• آزمون فرضیه Hypothesis Testing

• پروژه رگرسیون خطی چندگانه و تبلیغات ۱ Multiple Linear Regression Project & Advertising - 1

• پروژه رگرسیون خطی چندگانه و تبلیغات ۲ Multiple Linear Regression Project & Advertising - 2

پروژه رگرسیون خطی Linear Regression Project

• رگرسیون خطی و EDA ۱ Linear Regression and EDA - 1

• رگرسیون خطی و EDA ۲ Linear Regression and EDA - 2

الگوریتم KNN KNN

• الگوریتم KNN بخش اول KNN- Part 1

• تحلیل EDA برای مجموعه داده Iris EDA for Iris Dataset

نایو بیز (Naive Bayes) Naive Bayes

• نایو بیز (Naive Bayes) Naive Bayes

• پروژه: داده‌های شراب (Wine Data) Project : Wine Data

رگرسیون لجستیک Logistic Regression

• مقدمه Introduction

• پروژه با داده‌های تایتانیک Project with Titanic Data

معیارهای ارزیابی عملکرد مدل Model Performance Metrics

• ماتریس اغتشاش (Confusion Matrix) Confusion Matrix

• دقت (Accuracy) Accuracy

• دقت مثبت (Precision) Precision

• بازخوانی (Recall) Recall

• امتیاز F1 F1 Score

• منحنی ROC AUC ROC-AUC Curve

• زیان لگاریتمی (Log Loss) Log-Loss

انتخاب مدل Model Selection

• اعتبارسنجی متقاطع (Cross Validation) Cross Validation

• اعتبارسنجی K-Fold برای رگرسیون K-Fold Cross Validation - Regression

• اعتبارسنجی K-Fold برای طبقه‌بندی K-Fold Cross Validation - Classification

• جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی Grid Search & Random Search

منظم‌سازی (Regularization) Regularization

• پایه ریاضی منظم‌سازی Mathematical Basis of Regularization

• پروژه قیمت خانه و EDA House Price Project and EDA

ماشین بردار پشتیبان (SVM) Support Vector Machines (SVM)

• پایه‌های ریاضی SVM ۱ The Mathematical Foundation of SVM - 1

• پایه‌های ریاضی SVM ۲ The Mathematical Foundation of SVM - 2

• هسته‌ها (Kernels) Kernels

• تابع هزینه SVM SVM Cost Function

• پروژه: مجموعه داده اسکناس UCI Project : UCI Banknote Dataset

درخت‌های تصمیم Decision Trees

• مبانی Fundamentals

• شاخص جینی و بیش‌برازش Gini Index & Overfitting

• پروژه: مجموعه داده بازاریابی بانکی Project : Bank Marketing Data Set

جنگل تصادفی (Random Forest) Random Forest

• مقدمه Intro

• پروژه با تایتانیک Project with Titanic

بوستینگ (Boosting) Boosting

• بوستینگ بخش اول Boosting - Part 1

• بوستینگ بخش دوم Boosting - Part 2

• پروژه بوستینگ Project for Boosting

الگوریتم AdaBoost AdaBoost

• پروژه با مجموعه داده سرطان سینه Project with Breast Cancer Dataset

الگوریتم CatBoost CatBoost

• پروژه با مجموعه داده کارکنان Project with Employee Dataset

الگوریتم GBM GBM

• پروژه GBM و Optuna GBM & Optuna Project

الگوریتم XGBoost XGBoost

• پروژه با مجموعه داده Iris Project with Iris Dataset

الگوریتم LightGBM LightGBM

• پروژه با داده‌های سرطان Project with Cancer Data

یادگیری نظارت نشده Unsupervised Learning

• مقدمه‌ای بر یادگیری نظارت نشده Introduction to Unsupervised Learning

• خوشه‌بندی K-Means بخش اول K-Means Clustering - Part 1

• خوشه‌بندی K-Means بخش دوم K-Means Clustering - Part 2

• کاهش ابعاد: PCA ۱ Dimensionality Reduction: PCA - 1

• کاهش ابعاد: PCA روی Iris Dimensionality Reduction: PCA - Iris

• الگوریتم PCA روی MNIST PCA - MNIST

شبکه‌های عصبی و یادگیری عمیق Neural Networks and Deep Learning

• مقدمه‌ای بر شبکه‌های عصبی Introduction to Neural Networks

• شبکه‌های عصبی پیچشی (CNNs) Convolutional Neural Networks (CNNs)

• معماری CNN با PyTorch CNN Architecture with PyTorch

تکنیک‌های ریاضی پیشرفته Advanced Mathematical Techniques

• نظریه اطلاعات در یادگیری ماشین Information Theory in Machine Learning

• تخمین بیشینه احتمال (MLE) Maximum Likelihood Estimation (MLE)

• استنباط بیزی Bayesian Inference

• استنباط بیزی در یادگیری ماشین Bayesian Inference in Machine Learning

• شبکه‌های بیزی Bayesian Networks

• فرآیندهای تصمیم‌گیری مارکوف (MDP) Markov Decision Processes (MDP)

• ریاضیات مورد MDP MDP Case - Mathematics

• پیاده‌سازی MDP با پایتون MDP Python

• خروجی پایتون MDP MDP Python Output

• روش‌های مونت کارلو Monte Carlo Methods

مباحث پیشرفته یادگیری ماشین Advanced Machine Learning Topics

• شبکه‌های هاپفیلد Hopfield Networks

• شبکه‌های کوهونن Kohonen Networks

• ماشین یادگیری شدید (ELM) Extreme Learning Machine

• بهینه‌سازی بیزی Bayesian Optimization

• یادگیری محدودیت‌ها - مناطق امکان‌پذیر تولید Constraint Learning - Manufacturing Feasible Regions

• ماشین بولتزمن محدود Restricted Boltzmann Machine

• شبکه‌های عصبی گراف (GNN) با Tensorboard Graph Neural Networks (GNN) with Tensorboard

• شبکه عصبی بیزی در PyTorch - رگرسیون با تخمین عدم قطعیت Bayesian Neural Network in PyTorch – Regression with Uncertainty Estimation

• اجزای یادگیری تقویتی Reinforcement Learning Components

• راهزن‌های چند بازویی (Multi Armed Bandits) Multi-Armed Bandits

• هوش مصنوعی قابل توضیح (XAI) - SHAP (XAI) - SHAP

• هوش مصنوعی قابل توضیح (XAI) - LIME XAI - LIME

• یادگیری ماشین خودکار (AutoML) AutoML: Automated Machine Learning

• AutoML بخش دوم AutoML - Part 2

• مقدمه‌ای بر MLOps: عملیات یادگیری ماشین Introduction to MLOps: Machine Learning Operations

• اجزای MLOps MLOps Components

مفاهیم و الگوریتم‌های تئوری پیشرفته Advanced Theoretical Concepts and Algorithms

• تئوری یادگیری: یادگیری PAC و بعد VC Learning Theory: PAC Learning and VC Dimension

• یادگیری متریک Metric Learning

• مدل‌های مارکوف پنهان (HMM) Hidden Markov Models

• تخصیص دیریکله نهفته (LDA) Latent Dirichlet Allocation (LDA)