Python for Machine Learning - دوره کامل مبتدی [ویدئو]

سرفصل ها و درس ها

مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• یادگیری ماشینی چیست؟ What Is Machine Learning?

• کاربردهای یادگیری ماشینی Applications of Machine Learning

• روش های یادگیری ماشینی Machine Learning Methods

• یادگیری تحت نظارت چیست؟ What Is Supervised Learning?

• یادگیری بدون نظارت چیست؟ What Is Unsupervised Learning?

• یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Supervised Learning Versus Unsupervised Learning

اختیاری: راه اندازی پیاده سازی الگوریتم های پایتون و ML Optional: Setting Up Python and ML Algorithms Implementation

• معرفی Introduction

• کتابخانه های پایتون برای یادگیری ماشین Python Libraries for Machine Learning

• راه اندازی پایتون Setting Up Python

• ژوپیتر چیست؟ What Is Jupyter?

• نصب آناکوندا ویندوز مک و اوبونتو Anaconda Installation Windows Mac and Ubuntu

• پیاده سازی پایتون در ژوپیتر Implementing Python in Jupyter

• مدیریت دایرکتوری ها در نوت بوک Jupyter Managing Directories in Jupyter Notebook

رگرسیون خطی ساده Simple Linear Regression

• مقدمه ای بر رگرسیون Introduction to Regression

• رگرسیون خطی چگونه کار می کند؟ How Does Linear Regression Work?

• نمایندگی خط Line Representation

• پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in Python: Importing Libraries and Datasets

• پیاده سازی در پایتون: توزیع داده ها Implementation in Python: Distribution of the Data

• پیاده سازی در پایتون: ایجاد یک شی رگرسیون خطی Implementation in Python: Creating a Linear Regression Object

رگرسیون خطی چندگانه Multiple Linear Regression

• درک رگرسیون خطی چندگانه Understanding Multiple Linear Regression

• پیاده سازی در پایتون: کاوش مجموعه داده Implementation in Python: Exploring the Dataset

• پیاده سازی در پایتون: رمزگذاری داده های طبقه بندی شده Implementation in Python: Encoding Categorical Data

• پیاده سازی در پایتون: تقسیم داده ها به مجموعه های آموزش و آزمایش Implementation in Python: Splitting Data into Train and Test Sets

• پیاده سازی در پایتون: آموزش مدل در مجموعه آموزشی Implementation in Python: Training the Model on the Training Set

• پیاده سازی در پایتون: پیش بینی نتایج مجموعه تست Implementation in Python: Predicting the Test Set Results

• ارزیابی عملکرد مدل رگرسیون Evaluating the Performance of the Regression Model

• ریشه میانگین مربعات خطا در پایتون Root Mean Squared Error in Python

الگوریتم‌های طبقه‌بندی: K-نزدیک‌ترین همسایه‌ها Classification Algorithms: K-Nearest Neighbors

• مقدمه ای بر طبقه بندی Introduction to Classification

• الگوریتم K-نزدیکترین همسایگان K-Nearest Neighbors Algorithm

• نمونه ای از KNN Example of KNN

• K-نزدیکترین همسایگان (KNN) با استفاده از پایتون K-Nearest Neighbors (KNN) Using Python

• پیاده سازی در پایتون: وارد کردن کتابخانه های مورد نیاز Implementation in Python: Importing Required Libraries

• پیاده سازی در پایتون: وارد کردن مجموعه داده Implementation in Python: Importing the Dataset

• پیاده سازی در پایتون: تقسیم داده ها به مجموعه های آموزش و آزمایش Implementation in Python: Splitting Data into Train and Test Sets

• پیاده سازی در پایتون: مقیاس گذاری ویژگی ها Implementation in Python: Feature Scaling

• پیاده سازی در پایتون: وارد کردن طبقه بندی کننده KNN Implementation in Python: Importing the KNN Classifier

• پیاده سازی در پایتون: پیش بینی نتایج و ماتریس سردرگمی Implementation in Python: Results Prediction and Confusion Matrix

الگوریتم های طبقه بندی: درخت تصمیم Classification Algorithms: Decision Tree

• مقدمه ای بر درختان تصمیم Introduction to Decision Trees

• آنتروپی چیست؟ What Is Entropy?

• کاوش مجموعه داده Exploring the Dataset

• ساختار درخت تصمیم Decision Tree Structure

• پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in Python: Importing Libraries and Datasets

• پیاده سازی در پایتون: رمزگذاری داده های طبقه بندی شده Implementation in Python: Encoding Categorical Data

• پیاده سازی در پایتون: تقسیم داده ها به مجموعه های آموزش و آزمایش Implementation in Python: Splitting Data into Train and Test Sets

• پیاده سازی در پایتون: پیش بینی نتایج و دقت Implementation in Python: Results Prediction and Accuracy

الگوریتم های طبقه بندی: رگرسیون لجستیک Classification Algorithms: Logistic Regression

• معرفی Introduction

• مراحل پیاده سازی Implementation Steps

• پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in Python: Importing Libraries and Datasets

• پیاده سازی در پایتون: تقسیم داده ها به مجموعه های آموزش و آزمایش Implementation in Python: Splitting Data into Train and Test Sets

• پیاده سازی در پایتون: پیش پردازش Implementation in Python: Pre-Processing

• پیاده سازی در پایتون: آموزش مدل Implementation in Python: Training the Model

• پیاده سازی در پایتون: پیش بینی نتایج و ماتریس سردرگمی Implementation in Python: Results Prediction and Confusion Matrix

• رگرسیون لجستیک در مقابل رگرسیون خطی Logistic Regression Versus Linear Regression

خوشه بندی Clustering

• مقدمه ای بر خوشه بندی Introduction to Clustering

• موارد استفاده Use Cases

• الگوریتم خوشه بندی K-Means K-Means Clustering Algorithm

• روش آرنج Elbow Method

• مراحل روش آرنج Steps of the Elbow Method

• پیاده سازی در پایتون Implementation in Python

• خوشه بندی سلسله مراتبی Hierarchical Clustering

• خوشه بندی مبتنی بر چگالی Density-Based Clustering

• پیاده سازی K-Means Clustering در پایتون Implementation of K-Means Clustering in Python

• وارد کردن مجموعه داده Importing the Dataset

• تجسم مجموعه داده Visualizing the Dataset

• تعریف طبقه بندی کننده Defining the Classifier

• تجسم سه بعدی خوشه ها 3D Visualization of the Clusters

• تجسم سه بعدی مقادیر پیش بینی شده 3D Visualization of the Predicted Values

• تعداد خوشه های پیش بینی شده Number of Predicted Clusters

سیستم توصیه کننده Recommender System

• معرفی Introduction

• فیلتر مشارکتی در سیستم های توصیه کننده Collaborative Filtering in Recommender Systems

• سیستم توصیه کننده مبتنی بر محتوا Content-Based Recommender System

• پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in Python: Importing Libraries and Datasets

• ادغام مجموعه داده ها در یک Dataframe Merging Datasets into One Dataframe

• مرتب سازی بر اساس عنوان و رتبه Sorting by Title and Rating

• هیستوگرام نمایش تعداد رتبه ها Histogram Showing Number of Ratings

• توزیع فرکانس Frequency Distribution

• طرح مشترک رتبه‌بندی‌ها و تعداد رتبه‌بندی‌ها Jointplot of the Ratings and Number of Ratings

• پیش پردازش داده ها Data Pre-Processing

• مرتب سازی فیلم های دارای بیشترین امتیاز Sorting the Most-Rated Movies

• گرفتن رتبه برای دو فیلم Grabbing the Ratings for Two Movies

• همبستگی بین فیلم های دارای بیشترین امتیاز Correlation Between the Most-Rated Movies

• مرتب سازی داده ها بر اساس همبستگی Sorting the Data by Correlation

• فیلتر کردن فیلم ها Filtering Out Movies

• مرتب سازی مقادیر Sorting Values

• تکرار روند برای فیلمی دیگر Repeating the Process for Another Movie

نتیجه Conclusion

• متشکرم Thank You