آموزش یادگیری ماشین و یادگیری عمیق در پایتون و آر

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• منابع دوره Course Resources

راه اندازی Python و Jupyter Notebook Setting up Python and Jupyter Notebook

• نصب پایتون و آناکوندا Installing Python and Anaconda

• این یک نقطه عطف است! This is a milestone!

• باز کردن نوت بوک Jupyter Opening Jupyter Notebook

• آشنایی با ژوپیتر Introduction to Jupyter

• عملگرهای حسابی در پایتون: مبانی پایتون Arithmetic operators in Python: Python Basics

• رشته ها در پایتون: اصول پایتون Strings in Python: Python Basics

• لیست ها، تاپل ها و فهرست ها: اصول پایتون Lists, Tuples and Directories: Python Basics

• کار با کتابخانه Numpy پایتون Working with Numpy Library of Python

• کار با Pandas Library of Python Working with Pandas Library of Python

• کار با کتابخانه Seaborn پایتون Working with Seaborn Library of Python

راه اندازی R Studio و دوره تصادف R Setting up R Studio and R crash course

• نصب استودیو R و R Installing R and R studio

• مبانی استودیو R و R Basics of R and R studio

• بسته ها در R Packages in R

• وارد کردن داده ها قسمت 1: مجموعه داده های داخلی R Inputting data part 1: Inbuilt datasets of R

• وارد کردن داده ها قسمت 2: ورود دستی داده ها Inputting data part 2: Manual data entry

• وارد کردن داده ها قسمت 3: وارد کردن از فایل های CSV یا متنی Inputting data part 3: Importing from CSV or Text files

• ایجاد بارپلات در R Creating Barplots in R

• ایجاد هیستوگرام در R Creating Histograms in R

مبانی آمار Basics of Statistics

• انواع داده ها Types of Data

• انواع آمار Types of Statistics

• توصیف گرافیکی داده ها Describing data Graphically

• اقدامات مراکز Measures of Centers

• اقدامات پراکندگی Measures of Dispersion

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• ساخت یک مدل یادگیری ماشینی Building a Machine Learning Model

پیش پردازش داده ها Data Preprocessing

• جمع آوری دانش کسب و کار Gathering Business Knowledge

• کاوش داده ها Data Exploration

• مجموعه داده و دیکشنری داده The Dataset and the Data Dictionary

• وارد کردن داده در پایتون Importing Data in Python

• وارد کردن مجموعه داده به R Importing the dataset into R

• تجزیه و تحلیل تک متغیره و EDD Univariate analysis and EDD

• EDD در پایتون EDD in Python

• EDD در R EDD in R

• درمان پرت Outlier Treatment

• درمان پرت در پایتون Outlier Treatment in Python

• درمان پرت در R Outlier Treatment in R

• مقدار گمشده Missing Value Imputation

• مقدار از دست رفته در پایتون Missing Value Imputation in Python

• مقدار گمشده در R Missing Value imputation in R

• فصلی بودن در داده ها Seasonality in Data

• تجزیه و تحلیل دو متغیره و تبدیل متغیر Bi-variate analysis and Variable transformation

• تبدیل و حذف متغیر در پایتون Variable transformation and deletion in Python

• تبدیل متغیر در R Variable transformation in R

• متغیرهای غیر قابل استفاده Non-usable variables

• ایجاد متغیر ساختگی: مدیریت داده های کیفی Dummy variable creation: Handling qualitative data

• ایجاد متغیر ساختگی در پایتون Dummy variable creation in Python

• ایجاد متغیر ساختگی در R Dummy variable creation in R

• تجزیه و تحلیل همبستگی Correlation Analysis

• تجزیه و تحلیل همبستگی در پایتون Correlation Analysis in Python

• ماتریس همبستگی در R Correlation Matrix in R

• امتحان Quiz

رگرسیون خطی Linear Regression

• بیانیه مشکل The Problem Statement

• روش معادلات پایه و حداقل مربعات معمولی (OLS). Basic Equations and Ordinary Least Squares (OLS) method

• ارزیابی دقت ضرایب پیش بینی شده Assessing accuracy of predicted coefficients

• ارزیابی دقت مدل: RSE و R مجذور Assessing Model Accuracy: RSE and R squared

• رگرسیون خطی ساده در پایتون Simple Linear Regression in Python

• رگرسیون خطی ساده در R Simple Linear Regression in R

• رگرسیون خطی چندگانه Multiple Linear Regression

• F - آمار The F - statistic

• تفسیر نتایج متغیرهای طبقه بندی Interpreting results of Categorical variables

• رگرسیون خطی چندگانه در پایتون Multiple Linear Regression in Python

• رگرسیون خطی چندگانه در R Multiple Linear Regression in R

• تقسیم آزمایشی-قطار Test-train split

• مبادله واریانس تعصب Bias Variance trade-off

• آزمایش تقسیم قطار در پایتون Test train split in Python

• تقسیم تست-قطار در R Test-Train Split in R

• مدل های رگرسیون غیر از OLS Regression models other than OLS

• تکنیک های انتخاب زیر مجموعه Subset selection techniques

• انتخاب زیر مجموعه در R Subset selection in R

• روش های انقباض: ریج و کمند Shrinkage methods: Ridge and Lasso

• رگرسیون ریج و کمند در پایتون Ridge regression and Lasso in Python

• رگرسیون ریج و کمند در R Ridge regression and Lasso in R

• دگرگونی Heteroscedasticity

مقدمه ای بر مدل های طبقه بندی Introduction to the classification Models

• سه مدل طبقه بندی و مجموعه داده Three classification models and Data set

• وارد کردن داده ها به پایتون Importing the data into Python

• وارد کردن داده ها به R Importing the data into R

• اظهارات مشکل The problem statements

• چرا نمی توانیم از رگرسیون خطی استفاده کنیم؟ Why can't we use Linear Regression?

رگرسیون لجستیک Logistic Regression

• رگرسیون لجستیک Logistic Regression

• آموزش یک مدل لجستیک ساده در پایتون Training a Simple Logistic Model in Python

• آموزش یک مدل لجستیک ساده در R Training a Simple Logistic model in R

• نتیجه رگرسیون لجستیک ساده Result of Simple Logistic Regression

• لجستیک با پیش بینی های متعدد Logistic with multiple predictors

• آموزش مدل لجستیک پیش بینی کننده چندگانه در پایتون Training multiple predictor Logistic model in Python

• آموزش مدل لجستیک پیش بینی کننده چندگانه در R Training multiple predictor Logistic model in R

• ماتریس سردرگمی Confusion Matrix

• ایجاد ماتریس سردرگمی در پایتون Creating Confusion Matrix in Python

• ارزیابی عملکرد مدل Evaluating performance of model

• ارزیابی عملکرد مدل در پایتون Evaluating model performance in Python

• پیش بینی احتمالات، اختصاص کلاس ها و ساختن ماتریس سردرگمی در R Predicting probabilities, assigning classes and making Confusion Matrix in R

تجزیه و تحلیل تشخیص خطی (LDA) Linear Discriminant Analysis (LDA)

• تحلیل تشخیصی خطی Linear Discriminant Analysis

• LDA در پایتون LDA in Python

• تجزیه و تحلیل تشخیص خطی در R Linear Discriminant Analysis in R

طبقه بندی کننده K-Nearest Neighbors K-Nearest Neighbors classifier

• تست-قطار تقسیم Test-Train Split

• Test-Train Split در پایتون Test-Train Split in Python

• تقسیم تست-قطار در R Test-Train Split in R

• طبقه بندی کننده K-Nearest Neighbors K-Nearest Neighbors classifier

• K-نزدیکترین همسایه ها در پایتون: قسمت 1 K-Nearest Neighbors in Python: Part 1

• K-نزدیکترین همسایگان در پایتون: قسمت 2 K-Nearest Neighbors in Python: Part 2

• K-نزدیکترین همسایه ها در R K-Nearest Neighbors in R

مقایسه نتایج از 3 مدل Comparing results from 3 models

• درک نتایج مدل های طبقه بندی Understanding the results of classification models

• خلاصه ای از سه مدل Summary of the three models

درختان تصمیم گیری ساده Simple Decision Trees

• مقدمه ای بر درختان تصمیم Introduction to Decision trees

• مبانی درختان تصمیم Basics of Decision Trees

• درک درخت رگرسیون Understanding a Regression Tree

• معیارهای توقف برای کنترل رشد درختان The stopping criteria for controlling tree growth

• وارد کردن مجموعه داده به پایتون Importing the Data set into Python

• وارد کردن مجموعه داده به R Importing the Data set into R

• درمان ارزش از دست رفته در پایتون Missing value treatment in Python

• ایجاد متغیر ساختگی در پایتون Dummy Variable creation in Python

• تقسیم داده های وابسته-مستقل در پایتون Dependent- Independent Data split in Python

• تقسیم Test-Train در پایتون Test-Train split in Python

• تقسیم داده ها به مجموعه تست و قطار در R Splitting Data into Test and Train Set in R

• ایجاد درخت تصمیم در پایتون Creating Decision tree in Python

• ساختن درخت رگرسیون در R Building a Regression Tree in R

• ارزیابی عملکرد مدل در پایتون Evaluating model performance in Python

• ارزیابی عملکرد مدل در پایتون Evaluating model performance in Python

• ترسیم درخت تصمیم در پایتون Plotting decision tree in Python

• هرس درخت Pruning a tree

• هرس درخت در پایتون Pruning a tree in Python

• هرس درخت در R Pruning a Tree in R

درخت طبقه بندی ساده Simple Classification Tree

• درخت طبقه بندی Classification tree

• مجموعه داده ها برای مشکل طبقه بندی The Data set for Classification problem

• درخت طبقه بندی در پایتون: پیش پردازش Classification tree in Python : Preprocessing

• درخت طبقه بندی در پایتون: آموزش Classification tree in Python : Training

• ساختن درخت طبقه بندی در R Building a classification Tree in R

• مزایا و معایب درختان تصمیم Advantages and Disadvantages of Decision Trees

تکنیک گروه 1 - کیسه زدن Ensemble technique 1 - Bagging

• تکنیک گروه 1 - کیسه زدن Ensemble technique 1 - Bagging

• تکنیک گروه 1 - کیف در پایتون Ensemble technique 1 - Bagging in Python

• کوله بری در آر Bagging in R

تکنیک گروه 2 - جنگل های تصادفی Ensemble technique 2 - Random Forests

• تکنیک گروه 2 - جنگل های تصادفی Ensemble technique 2 - Random Forests

• تکنیک گروه 2 - جنگل های تصادفی در پایتون Ensemble technique 2 - Random Forests in Python

• استفاده از Grid Search در پایتون Using Grid Search in Python

• جنگل تصادفی در R Random Forest in R

تکنیک گروه 3 - تقویت Ensemble technique 3 - Boosting

• تقویت Boosting

• تکنیک Ensemble 3a - تقویت در پایتون Ensemble technique 3a - Boosting in Python

• افزایش گرادیان در R Gradient Boosting in R

• تکنیک Ensemble 3b - AdaBoost در پایتون Ensemble technique 3b - AdaBoost in Python

• AdaBoosting در R AdaBoosting in R

• تکنیک Ensemble 3c - XGBoost در پایتون Ensemble technique 3c - XGBoost in Python

• XGBoosting در R XGBoosting in R

ماشین‌های بردار پشتیبانی Support Vector Machines

• ماشین‌های بردار پشتیبانی مبتنی بر هسته Kernel Based Support Vector Machines

دسته بندی بردار پشتیبانی Support Vector Classifier

• پشتیبانی از طبقه بندی کننده های برداری Support Vector classifiers

• محدودیت های دسته بندی بردار پشتیبانی Limitations of Support Vector Classifiers

ماشین‌های بردار پشتیبانی Support Vector Machines

• مقدمه ای بر SVM Introduction to SVM's

• ماشین‌های بردار پشتیبانی مبتنی بر هسته Kernel Based Support Vector Machines

• مفهوم هایپرپلین The Concept of a Hyperplane

• طبقه بندی کننده حداکثر حاشیه Maximum Margin Classifier

• محدودیت های طبقه بندی کننده حداکثر حاشیه Limitations of Maximum Margin Classifier

ماشین‌های بردار پشتیبانی Support Vector Machines

ایجاد مدل ماشین بردار پشتیبان در پایتون Creating Support Vector Machine Model in Python

• مدل های رگرسیون و طبقه بندی Regression and Classification Models

• وارد کردن و پیش پردازش داده ها در پایتون Importing and preprocessing data in Python

• استاندارد سازی داده ها Standardizing the data

• مدل رگرسیون مبتنی بر SVM در پایتون SVM based Regression Model in Python

• مدل طبقه بندی - پیش پردازش Classification model - Preprocessing

• مدل طبقه بندی - استانداردسازی داده ها Classification model - Standardizing the data

• مدل طبقه بندی مبتنی بر SVM SVM Based classification model

• تنظیم بیش از حد پارامتر Hyper Parameter Tuning

• هسته چند جمله ای با تنظیم فراپارامتر Polynomial Kernel with Hyperparameter Tuning

• هسته شعاعی با تنظیم فراپارامتر Radial Kernel with Hyperparameter Tuning

ایجاد مدل ماشین بردار پشتیبان در R Creating Support Vector Machine Model in R

• واردات و پیش پردازش داده ها در R Importing and preprocessing data in R

• اطلاعات بیشتر در مورد تقسیم قطار آزمایشی More about test-train split

• طبقه بندی مدل SVM با استفاده از هسته خطی Classification SVM model using Linear Kernel

• تنظیم فراپارامتر برای هسته خطی Hyperparameter Tuning for Linear Kernel

• هسته چند جمله ای با تنظیم فراپارامتر Polynomial Kernel with Hyperparameter Tuning

• هسته چند جمله ای با تنظیم فراپارامتر Polynomial Kernel with Hyperparameter Tuning

• هسته شعاعی با تنظیم فراپارامتر Radial Kernel with Hyperparameter Tuning

• مدل رگرسیون مبتنی بر SVM در R SVM based Regression Model in R

مقدمه - یادگیری عمیق Introduction - Deep Learning

• مقدمه ای بر شبکه های عصبی و جریان درس Introduction to Neural Networks and Course flow

• پرسپترون Perceptron

• توابع فعال سازی Activation Functions

• پایتون - ایجاد مدل پرسپترون Python - Creating Perceptron model

شبکه های عصبی - انباشتن سلول ها برای ایجاد شبکه Neural Networks - Stacking cells to create network

• اصطلاحات پایه Basic Terminologies

• گرادیان نزول Gradient Descent

• انتشار پشت Back Propagation

• چند مفهوم مهم Some Important Concepts

• فرا پارامتر Hyperparameter

ANN در پایتون ANN in Python

• کراس و تنسورفلو Keras and Tensorflow

• نصب تنسورفلو و کراس Installing Tensorflow and Keras

• مجموعه داده برای طبقه بندی Dataset for classification

• عادی سازی و تقسیم تست-قطار Normalization and Test-Train split

• روش های مختلف برای ایجاد ANN با استفاده از Keras Different ways to create ANN using Keras

• ساخت شبکه عصبی با استفاده از Keras Building the Neural Network using Keras

• تدوین و آموزش مدل شبکه عصبی Compiling and Training the Neural Network model

• ارزیابی عملکرد و پیش بینی با استفاده از Keras Evaluating performance and Predicting using Keras

• ساخت شبکه عصبی برای مسئله رگرسیون Building Neural Network for Regression Problem

• استفاده از Functional API برای معماری های پیچیده Using Functional API for complex architectures

• ذخیره - بازیابی مدل ها و استفاده از تماس های تلفنی Saving - Restoring Models and Using Callbacks

• تنظیم فراپارامتر Hyperparameter Tuning

ANN در R ANN in R

• نصب Keras و Tensorflow Installing Keras and Tensorflow

• نرمال سازی داده ها و تقسیم بندی آزمون-ترن Data Normalization and Test-Train Split

• ساختمان، تدوین و آموزش Building,Compiling and Training

• ارزیابی و پیش بینی Evaluating and Predicting

• ANN با بسته NeuralNets ANN with NeuralNets Package

• ساخت مدل رگرسیون با API عملکردی Building Regression Model with Functional API

• معماری های پیچیده با استفاده از Functional API Complex Architectures using Functional API

• ذخیره - بازیابی مدل ها و استفاده از تماس های تلفنی Saving - Restoring Models and Using Callbacks

• ذخیره - بازیابی مدل ها و استفاده از تماس های تلفنی Saving - Restoring Models and Using Callbacks

CNN - اصول CNN - Basics

• CNN مقدمه CNN Introduction

• گام های بلند برداشتن Stride

• لایه گذاری Padding

• فیلترها و نقشه های ویژه Filters and Feature maps

• کانال ها Channels

• PoolingLayer PoolingLayer

ایجاد مدل CNN در پایتون Creating CNN model in Python

• مدل CNN در پایتون - پیش پردازش CNN model in Python - Preprocessing

• مدل CNN در پایتون - ساختار و کامپایل CNN model in Python - structure and Compile

• مدل CNN در پایتون - آموزش و نتایج CNN model in Python - Training and results

• مقایسه - ادغام در مقابل بدون ادغام در پایتون Comparison - Pooling vs Without Pooling in Python

ایجاد مدل CNN در R Creating CNN model in R

• CNN در مجموعه داده های مد MNIST - معماری مدل CNN on MNIST Fashion Dataset - Model Architecture

• پیش پردازش داده ها Data Preprocessing

• ایجاد معماری مدل Creating Model Architecture

• تدوین و آموزش Compiling and training

• عملکرد مدل Model Performance

• مقایسه - ادغام در مقابل بدون ادغام در R Comparison - Pooling vs Without Pooling in R

پروژه: ایجاد مدل CNN از ابتدا در پایتون Project : Creating CNN model from scratch in Python

• پروژه - مقدمه Project - Introduction

• داده های پروژه Data for the project

• پروژه - پیش پردازش داده در پایتون Project - Data Preprocessing in Python

• پروژه - آموزش مدل CNN در پایتون Project - Training CNN model in Python

• پروژه در پایتون - نتایج مدل Project in Python - model results

پروژه: ایجاد مدل CNN از ابتدا Project : Creating CNN model from scratch

• پروژه در R - پیش پردازش داده ها Project in R - Data Preprocessing

• پروژه CNN در R - ساختار و کامپایل CNN Project in R - Structure and Compile

• پروژه در R - آموزش Project in R - Training

• پروژه در R - عملکرد مدل Project in R - Model Performance

• پروژه در R - افزایش داده ها Project in R - Data Augmentation

• پروژه در R - عملکرد اعتبارسنجی Project in R - Validation Performance

پروژه: افزایش داده ها برای جلوگیری از برازش بیش از حد Project : Data Augmentation for avoiding overfitting

• پروژه - پیش پردازش افزایش داده ها Project - Data Augmentation Preprocessing

• پروژه - آموزش افزایش داده ها و نتایج Project - Data Augmentation Training and Results

آموزش انتقالی: مبانی Transfer Learning : Basics

• ILSVRC ILSVRC

• LeNET LeNET

• VGG16NET VGG16NET

• گوگل لنت GoogLeNet

• یادگیری انتقالی Transfer Learning

• پروژه - آموزش انتقال - VGG16 Project - Transfer Learning - VGG16

آموزش انتقالی در R Transfer Learning in R

• پروژه - آموزش انتقال - VGG16 (پیاده سازی) Project - Transfer Learning - VGG16 (Implementation)

• پروژه - آموزش انتقال - VGG16 (عملکرد) Project - Transfer Learning - VGG16 (Performance)

تحلیل و پیش بینی سری های زمانی Time Series Analysis and Forecasting

• مقدمه Introduction

• پیش بینی سری های زمانی - موارد استفاده Time Series Forecasting - Use cases

• ایجاد مدل پیش بینی - مراحل Forecasting model creation - Steps

• ایجاد مدل پیش بینی - مراحل 1 (هدف) Forecasting model creation - Steps 1 (Goal)

• سری زمانی - نمادهای پایه Time Series - Basic Notations

سری زمانی - پیش پردازش در پایتون Time Series - Preprocessing in Python

• بارگذاری داده ها در پایتون Data Loading in Python

• سری زمانی - مبانی تجسم Time Series - Visualization Basics

• سری زمانی - تجسم در پایتون Time Series - Visualization in Python

• سری زمانی - مبانی مهندسی ویژگی Time Series - Feature Engineering Basics

• سری زمانی - مهندسی ویژگی در پایتون Time Series - Feature Engineering in Python

• سری زمانی - نمونه برداری و کاهش نمونه Time Series - Upsampling and Downsampling

• سری زمانی - نمونه برداری و کاهش نمونه در پایتون Time Series - Upsampling and Downsampling in Python

• سری زمانی - تبدیل نیرو Time Series - Power Transformation

• میانگین متحرک Moving Average

• هموارسازی نمایی Exponential Smoothing

سری زمانی - مفاهیم مهم Time Series - Important Concepts

• نویز سفید White Noise

• پیاده روی تصادفی Random Walk

• تجزیه سری زمانی در پایتون Decomposing Time Series in Python

• متمایز کردن Differencing

• تفاوت در پایتون Differencing in Python

سری زمانی - پیاده سازی در پایتون Time Series - Implementation in Python

• تست Train Split در پایتون Test Train Split in Python

• مدل ساده (پایداری) در پایتون Naive (Persistence) model in Python

• مدل رگرسیون خودکار - مبانی Auto Regression Model - Basics

• ایجاد مدل رگرسیون خودکار در پایتون Auto Regression Model creation in Python

• رگرسیون خودکار با اعتبارسنجی Walk Forward در پایتون Auto Regression with Walk Forward validation in Python

• مدل میانگین متحرک - مبانی Moving Average model -Basics

• مدل میانگین متحرک در پایتون Moving Average model in Python

سری زمانی - مدل ARIMA Time Series - ARIMA model

• ACF و PACF ACF and PACF

• مدل ARIMA - مبانی ARIMA model - Basics

• مدل ARIMA در پایتون ARIMA model in Python

• مدل ARIMA با Walk Forward Validation در پایتون ARIMA model with Walk Forward Validation in Python

سری زمانی - مدل SARIMA Time Series - SARIMA model

• مدل ساریما SARIMA model

• مدل SARIMA در پایتون SARIMA model in Python

• سری زمانی ثابت Stationary time Series

• نقطه عطف نهایی! The final milestone!

تبریک و در مورد گواهینامه شما Congratulations & About your certificate

• سخنرانی پاداش Bonus Lecture