آموزش ایجاد مدل های یادگیری ماشین

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

درک رویکردهای یادگیری ماشین Understanding Approaches to Machine Learning

• بررسی اجمالی ماژول Module Overview

• پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

• قانون مبتنی بر یادگیری مبتنی بر ML Rule-based vs. ML-based Learning

• ML سنتی در مقابل نمایندگی ML Traditional ML vs. Representation ML

• گردش کار یادگیری ماشین The Machine Learning Workflow

• انتخاب مدل مناسب بر اساس داده ها Choosing the Right Model Based on Data

• تحت نظارت و یادگیری بدون نظارت Supervised vs. Unsupervised Learning

• انتقال یادگیری ، Cold Start ML و Warm Start ML Transfer Learning, Cold Start ML and Warm Start ML

• چارچوب های معروف یادگیری ماشین Popular Machine Learning Frameworks

• نسخه ی نمایشی: شروع با یادگیری دقیق Demo: Getting Started with scikit-learn

• خلاصه ماژول Module Summary

درک و اجرای مدلهای رگرسیون Understanding and Implementing Regression Models

• بررسی اجمالی ماژول Module Overview

• ساخت و ارزیابی مدلهای رگرسیون Building and Evaluating Regression Models

• نسخه ی نمایشی: رگرسیون خطی با استفاده از ویژگی های عددی Demo: Linear Regression Using Numeric Features

• نسخه ی نمایشی: کاوش داده های رگرسیون Demo: Exploring Regression Data

• نسخه ی نمایشی: پیش پردازش داده های عددی و دسته ای و نصب یک مدل رگرسیون Demo: Preprocessing Numeric and Categorical Data and Fitting a Regression Model

• انتخاب الگوریتم های رگرسیون Choosing Regression Algorithms

• مدل های رگرسیون منظم: Lasso ، Ridge و Elastic Net Regularized Regression Models: Lasso, Ridge, and Elastic Net

• نزول گرادیان تصادفی Stochastic Gradient Descent

• نسخه ی نمایشی: انواع مختلفی از رگرسیون Demo: Multiple Types of Regression

• خلاصه ماژول Module Summary

درک و اجرای مدل های طبقه بندی Understanding and Implementing Classification Models

• بررسی اجمالی ماژول Module Overview

• انواع طبقه بندی کننده ها Types of Classifiers

• درک مستقیم رگرسیون لجستیک Understanding Logistic Regression Intuitively

• نسخه ی نمایشی: ساخت و آموزش مدل طبقه بندی باینری Demo: Building and Training a Binary Classification Model

• درک بردار پشتیبانی و طبقه بندی نزدیکترین همسایگان Understanding Support Vector and Nearest Neighbors Classification

• درک طبقه بندی درخت تصمیم و Naive Bayes Understanding Decision Tree and Naive Bayes Classification

• نسخه ی نمایشی: ساخت مدل های طبقه بندی با استفاده از چندین تکنیک Demo: Building Classification Models Using Multiple Techniques

• نسخه ی نمایشی: استفاده از گرم شروع با طبقه بندی گروه Demo: Using Warm Start with an Ensemble Classifier

• نسخه ی نمایشی: انجام طبقه بندی چند کلاسه بر روی داده های متنی Demo: Performing Multiclass Classification on Text Data

• خلاصه ماژول Module Summary

درک و اجرای مدل خوشه بندی Understanding and Implementing Clustering Model

• بررسی اجمالی ماژول Module Overview

• خوشه بندی به عنوان یک روش یادگیری بدون نظارت Clustering as an Unsupervised Learning Technique

• انتخاب الگوریتم های خوشه بندی Choosing Clustering Algorithms

• دسته بندی الگوریتم های خوشه بندی Categorizing Clustering Algorithms

• K به معنی خوشه بندی است K-means Clustering

• خوشه بندی سلسله مراتبی Hierarchical Clustering

• نسخه ی نمایشی: انجام خوشه بندی K-means در داده های بدون برچسب Demo: Performing K-means Clustering on Unlabeled Data

• نسخه ی نمایشی: خوشه بندی با استفاده از داده های دارای برچسب Demo: Clustering Using Labeled Data

• نسخه ی نمایشی: خوشه بندی جمع کننده Demo: Agglomerative Clustering

• خلاصه و مطالعه بیشتر Summary and Further Study