آموزش خوشه‌بندی و طبقه‌بندی با یادگیری ماشین در زبان R - آخرین آپدیت

مقدمه‌ای بر دوره Introduction to the Course

• خوش‌آمدگویی به دوره خوشه‌بندی و طبقه‌بندی با یادگیری ماشین در R Welcome to Clustering & Classification with Machine Learning in R

• نصب R و R Studio Installing R and R Studio

خواندن داده‌ها از منابع مختلف در R Read in Data from Different Sources in R

• خواندن داده‌های CSV و اکسل Read in CSV & Excel Data

• خواندن داده‌ها از پوشه‌های Unzipped Read in Unzipped Folder

• خواندن فایل CSV آنلاین Read in Online CSV

• خواندن داده‌ها از گوگل شیت (Googlesheets) Read in Googlesheets

• خواندن داده‌ها از جداول HTML آنلاین - بخش اول Read in Data from Online HTML Tables-Part 1

• خواندن داده‌ها از جداول HTML آنلاین - بخش دوم Read in Data from Online HTML Tables-Part 2

• خواندن داده‌ها از دیتابیس Read Data from a Database

پیش‌پردازش و بصری‌سازی داده‌ها Data Pre-processing and Visualization

• حذف مقادیر گم‌شده (Missing Values) Remove Missing Values

• پاک‌سازی پیشرفته داده‌ها More Data Cleaning

• آشنایی با dplyr برای خلاصه‌سازی داده‌ها - بخش اول Introduction to dplyr for Data Summarizing-Part 1

• آشنایی با dplyr برای خلاصه‌سازی داده‌ها - بخش دوم Introduction to dplyr for Data Summarizing-Part 2

• تحلیل اکتشافی داده‌ها (EDA): بصری‌سازی‌های پایه با R Exploratory Data Analysis (EDA): Basic Visualizations with R

• تحلیل اکتشافی پیشرفته‌تر با xda More Exploratory Data Analysis with xda

• اکتشاف و بصری‌سازی داده‌ها با dplyr و ggplot2 Data Exploration & Visualization With dplyr & ggplot2

• تئوری ارتباط بین متغیرهای کمی Associations Between Quantitative Variables- Theory

• تست همبستگی (Correlation) Testing for Correlation

• ارزیابی رابطه بین متغیرهای اسمی Evaluate the Relation Between Nominal Variables

• استفاده از Cramer's V برای بررسی شدت ارتباط متغیرهای اسمی Cramer's V for Examining the Strength of Association Between Nominal Variable

یادگیری ماشین برای علم داده Machine Learning for Data Science

• تفاوت یادگیری ماشین با تحلیل آماری داده‌ها چیست؟ How is Machine Learning Different from Statistical Data Analysis?

• یادگیری ماشین (ML) چیست؟ نکات تئوری What is Machine Learning (ML) About? Some Theoretical Pointers

یادگیری نظارت‌نشده در R Unsupervised Learning in R

• خوشه‌بندی K-Means K-Means Clustering

• سایر روش‌های انتخاب تعداد خوشه‌ها Other Ways of Selecting Cluster Numbers

• خوشه‌بندی Fuzzy K-Means Fuzzy K-Means Clustering

• روش Weighted k-means Weighted k-means

• تقسیم‌بندی حول ملویدها (PAM) Partitioning Around Meloids (PAM)

• خوشه‌بندی سلسله‌مراتبی در R Hierarchical Clustering in R

• بیشینه‌سازی امید (EM) در R Expectation-Maximization (EM) in R

• خوشه‌بندی DBSCAN در R DBSCAN Clustering in R

• خوشه‌بندی مجموعه‌داده‌های ترکیبی Cluster a Mixed Dataset

• آیا اصلاً باید خوشه‌بندی انجام دهیم؟ Should We Even Do Clustering?

• ارزیابی عملکرد خوشه‌بندی Assess Clustering Performance

• کدام الگوریتم خوشه‌بندی را انتخاب کنیم؟ Which Clustering Algorithm to Choose?

کاهش ویژگی/ابعاد Feature/Dimension Reduction

• تئوری کاهش ابعاد Dimension Reduction-theory

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

• بیشتر درباره PCA More on PCA

• مقیاس‌بندی چندبعدی (MDS) Multidimensional Scaling

• تجزیه مقدار تکین (SVD) Singular Value Decomposition (SVD)

انتخاب ویژگی برای یافتن مرتبط‌ترین پیش‌بین‌ها Feature Selection to Select the Most Relevant Predictors

• حذف متغیرهای پیش‌بین با همبستگی بالا Removing Highly Correlated Predictor Variables

• انتخاب متغیر با استفاده از رگرسیون LASSO Variable Selection Using LASSO Regression

• انتخاب متغیر با FSelector Variable Selection with FSelector

• تحلیل Boruta برای انتخاب ویژگی Boruta Analysis for Feature Selection

تئوری یادگیری نظارت‌شده Supervised Learning Theory

• مفاهیم پایه یادگیری نظارت‌شده Some Basic Supervised Learning Concepts

• پیش‌پردازش برای یادگیری نظارت‌شده Pre-processing for Supervised Learning

یادگیری نظارت‌شده: طبقه‌بندی Supervised Learning: Classification

• مدل‌های GLM چیستند؟ What are GLMs?

• مدل‌های رگرسیون لجستیک به عنوان طبقه‌بندی‌کننده‌های باینری Logistic Regression Models as Binary Classifiers

• طبقه‌بندی باینری با استفاده از PCA Binary Classifier with PCA

• نکاتی در مورد ارزیابی دقت (Accuracy) Some Pointers on Evaluating Accuracy

• به‌دست آوردن معیارهای دقت طبقه‌بندی باینری Obtain Binary Classification Accuracy Metrics

• بیشتر درباره معیارهای دقت باینری More on Binary Accuracy Measures

• تحلیل ممیزی خطی (LDA) Linear Discriminant Analysis

• مسأله طبقه‌بندی چندکلاسه ما Our Multi-class Classification Problem

• درخت‌های طبقه‌بندی Classification Trees

• بیشتر درباره بصری‌سازی درخت طبقه‌بندی More on Classification Tree Visualization

• طبقه‌بندی با بسته Party Classification with Party Package

• درخت‌های تصمیم Decision Trees

• طبقه‌بندی با جنگل تصادفی (Random Forest) Random Forest (RF) Classification

• بررسی اهمیت متغیرهای فردی در جنگل‌های تصادفی Examine Individual Variable Importance for Random Forests

• طبقه‌بندی با GBM GBM Classification

• ماشین‌های بردار پشتیبان (SVM) برای طبقه‌بندی Support Vector Machines (SVM) for Classification

• بیشتر درباره SVM برای طبقه‌بندی More SVM for Classification

• اهمیت متغیر در مدل‌سازی SVM با rminer Variable Importance in SVM Modelling with rminer

سخنرانی‌های تکمیلی Additional Lectures

• خوشه‌بندی Fuzzy C-Means Fuzzy C-Means Clustering