آموزش مبانی یادگیری ماشین - آخرین آپدیت

یادگیری نظارت شده Supervised Learning

• خوش‌آمدگویی به دوره Welcome to the Course

• رگرسیون در عمل: پیش‌بینی فروش بر اساس تبلیغات Regression in Action: Predicting Sales From Advertising

• طبقه‌بندی در عمل: پیش‌بینی دیابت از روی داده‌های بیمار Classification in Action: Predicting Diabetes From Patient Data

• درک رگرسیون از طریق یک مثال واقعی Understanding Regression Through a Real-World Example

• ساخت اسکریپت و ارزیابی مدل رگرسیون خطی ساده Script-Building and Evaluating a Simple Linear Regression Model

• شروع کار با رگرسیون لجستیک برای طبقه‌بندی دوگانه Getting Started with Logistic Regression for Binary Classification

• ارزیابی مدل‌های طبقه‌بندی دوگانه با رگرسیون لجستیک Evaluating Binary Classification Models with Logistic Regression

• چگونه درخت‌های تصمیم در حوزه سلامت پیش‌بینی می‌کنند How Decision Trees Make Predictions in Healthcare

• ارزیابی عملکرد درخت تصمیم و جلوگیری از بیش‌برازش (Overfitting) Evaluating Decision Tree Performance and Avoiding Overfitting

• بهبود دقت مدل با استفاده از جنگل‌های تصادفی (Random Forests) Improving Model Accuracy with Random Forests

• استفاده از SVM برای تشخیص اعداد دست‌نویس Using SVMs to Recognize Handwritten Digits

• نحوه تصمیم‌گیری SVMها: حاشیه و بردارهای پشتیبان How SVMs Make Decisions: Margins and Support Vectors

• استفاده از هسته RBF برای بهبود طبقه‌بندی Using the RBF Kernel to Improve Classification

یادگیری نظارت نشده Unsupervised Learning

• چه چیزی یادگیری نظارت نشده را اینقدر قدرتمند می‌کند What Makes Unsupervised Learning So Powerful

• نحوه استفاده نتفلیکس و اسپاتیفای از یادگیری نظارت نشده How Netflix & Spotify Use Unsupervised Learning

• کاوش در داده‌های بدون برچسب در پایتون Exploring Unlabeled Data in Python

• بخش‌بندی مشتریان: مشاهده خوشه‌های طبیعی در داده‌ها Customer Segmentation: Seeing Natural Clusters in Your Data

• خوشه‌بندی با K-Means: از کدنویسی تا بینش مشتری Clustering with K-Means: From Code to Customer Insights

• انتخاب بهترین K با استفاده از روش آرنج (Elbow Method) Choosing the Best K with the Elbow Method

• خوشه‌بندی سلسله‌مراتبی چیست و چگونه آن را بصری‌سازی کنیم؟ What Is Hierarchical Clustering and How Do We Visualize It?

• خوشه‌بندی سلسله‌مراتبی در عمل: پیاده‌سازی در پایتون و تحلیل‌ها Hierarchical Clustering in Action: Python Implementation & Insights

• تشخیص ناهنجاری چیست؟ بررسی الگوهای کلاهبرداری کارت اعتباری What Is Anomaly Detection? Exploring Credit Card Fraud Patterns

• تشخیص ناهنجاری با Isolation Forest در پایتون Anomaly Detection with Isolation Forest in Python

پیش‌پردازش داده‌ها و مهندسی ویژگی‌ها Data Preprocessing & Feature Engineering

• چرا پیش‌پردازش داده‌ها و مهندسی ویژگی‌ها بسیار مهم هستند Why Data Preprocessing & Feature Engineering Matter So Much

• چرا داده‌های گم‌شده مدل‌ها را مختل می‌کنند: بررسی مشکل در عمل Why Missing Data Breaks Models: The Problem in Action

• تاثیر داده‌های گم‌شده بر دقت مدل و راهکارهای مقابله با آن How Missing Data Affects Model Accuracy — and What to Do About It

• چرا مدل‌های یادگیری ماشین نمی‌توانند داده‌های دسته‌ای خام را پردازش کنند Why ML Models Can't Handle Raw Categorical Data

• انواع متغیرهای دسته‌ای و نحوه کدگذاری آن‌ها Types of Categorical Variables and How to Encode Them

• کدگذاری برچسب (Label Encoding) و مقایسه عملکرد مدل Label Encoding and Model Performance Comparison

• چرا مقیاس‌بندی ویژگی‌ها در یادگیری ماشین اهمیت دارد Why Feature Scaling Matters in Machine Learning

• مقیاس‌بندی داده‌ها: نرمال‌سازی با Min Max Scaler Scaling Your Data: Normalization with Min-Max Scaler

• استانداردسازی با Z-Score و تاثیر آن بر عملکرد مدل Standardization with Z-Score Scaling + Impact on Model Performance

• چرا تعداد زیاد ویژگی‌ها می‌تواند به مدل شما آسیب بزند Why Too Many Features Can Hurt Your Model

• اعمال انتخاب ویژگی و PCA در پایتون Applying Feature Selection & PCA in Python

پیش‌بینی سری‌های زمانی Time Series Forecasting

• چرا سری‌های زمانی صرفاً یک مجموعه داده معمولی نیستند Why Time Series Isn't Just Another Dataset

• ویژگی‌های خاص سری‌های زمانی: روند، فصلی بودن و موارد دیگر What Makes Time Series Special: Trends, Seasonality & More

• بصری‌سازی سری زمانی در پایتون: مثال مسافران خطوط هوایی Visualizing a Time Series in Python: Airline Passengers Example

• تجزیه سری زمانی به روند، فصلی بودن و نویز Decomposing Time Series into Trend, Seasonality, and Noise

• چرا رگرسیون در پیش‌بینی شکست می‌خورد: مثال فروش خرده‌فروشی Why Regression Fails for Forecasting: A Retail Sales Example

• تفاوت پیش‌بینی در چیست: امتحان ARIMA و هموارسازی نمایی What Makes Forecasting Different: Let's Try ARIMA & Exponential Smoothing

• شروع کار با Facebook Prophet در پایتون Getting Started with Facebook Prophet in Python

• چرا Facebook Prophet پیش‌بینی را آسان (و قدرتمند) می‌کند Why Facebook Prophet Makes Forecasting Easy (and Powerful)

• آیا برای ساخت سیستم یادگیری ماشین خودتان آماده‌اید؟ Ready to Build Your Own ML System?