آموزش Master Learning Machine 5 Projects: MLData Interview Showoff

سرفصل ها و درس ها

معرفی Introduction

• معرفی Introduction

پروژه 1: تجزیه و تحلیل مجموعه زمین بازی جدولی Project 1: Analyzing the Tabular Playground Series

• 1. خواندن و پیش پردازش داده ها. 1. Reading and Preprocessing Data.

• 2. تبدیل و تجسم داده ها. 2. Data Transformation and Visualization.

• 3. Train-Test Split و انتخاب مدل. 3. Train-Test Split and Model Selection.

• 4. آموزش مدل با XGBoost. 4. Model Training with XGBoost.

• 5. پیش بینی و ارسال. 5. Making Predictions and Submission.

پروژه 2: پیش بینی ریزش مشتری با استفاده از یادگیری ماشین. Project 2: Customer Churn Prediction Using Machine Learning.

• 1. مقدمه ای بر پیش بینی ریزش مشتری. 1. Introduction to Customer Churn Prediction.

• 2. انتخاب ویژگی و ساخت مدل. 2. Feature Selection and Model Building.

• 3. تکنیک های پیشرفته برای پیش بینی ریزش. 3. Advanced Techniques for Churn Prediction.

• 4. روشهای گروه و ارزیابی مدل. 4. Ensemble Methods and Model Evaluation.

• 5. تفسیر مدل، استقرار، و مراحل بعدی. 5. Model Interpretation, Deployment, and Next steps.

پروژه 3: دسته بندی تصاویر گربه ها در مقابل سگ ها با استفاده از یادگیری ماشینی. Project 3: Cats vs Dogs Image Classification Using Machine Learning.

• 1. چگونه داده های Kaggle را در Google Collab دانلود کنیم؟! 1. How to download Kaggle data in Google Collab?!

• 2. ایجاد دایرکتوری ها و داده های تصاویر. 2. Creating Directories & The images data.

• 3. پیش پردازش و تجسم داده های تصویر با پایتون. 3. Image data preprocessing and visualization with Python.

• 4. ایجاد و اعتبارسنجی مدل با استفاده از CNN. 4. Creating and Validating Model using CNN.

پروژه 4: کشف تقلب با استفاده از تکیه ماشین. Project 4: Fraud Detection Using Machine Leaning.

• 1. معرفی کشف تقلب و انجام تجزیه و تحلیل داده های اکتشافی. 1. Introducing Fraud Detection and Conducting Exploratory Data Analysis.

• 2. ساختمان مدل برای کشف تقلب. 2. Model Building for Fraud Detection.

• 3. تکنیک های پیشرفته برای کشف تقلب. 3. Advanced Techniques for Fraud Detection.

• 4. ارزیابی مدل و تفسیرپذیری. 4. Model Evaluation and Interpretability.

• 5. استقرار مدل. 5. Model Deployment.

پروژه 5: پیش بینی قیمت خانه با استفاده از تکنیک های رگرسیون پیشرفته. Project 5: House Prices Prediction Using Advanced Regression Techniques.

• 1. مقدمه ای بر پیش بینی قیمت مسکن. 1. Introduction to House Prices Prediction.

• 2. پردازش داده ها و تمیز کردن مسکن برای مدل ML. 2. Housing Data Processing & Cleaning For ML Model.

• 3. انجام EDA (تجزیه و تحلیل داده های اکتشافی) با استفاده از تجسم داده ها. 3. Doing EDA (Exploratory Data Analysis) Using Data Visualization.

• 4. مدل ساختمان برای داده های مسکن. 4. Building Model for the Housing Data.

• 5. اعتبارسنجی مدل ما. 5. Validating Our Model.

جایزه. Bonus.

• متشکرم. Thank you.