یادگیری ماشین پایتون در 7 روز [ویدئو]

سرفصل ها و درس ها

وارد دنیای یادگیری ماشین شوید! Enter the Machine Learning World!

• بررسی اجمالی دوره The Course Overview

• تنظیم محیط یادگیری ماشینی Setting Up Your Machine Learning Environment

• بررسی انواع یادگیری ماشینی Exploring Types of Machine Learning

• استفاده از Scikit-learn برای یادگیری ماشین Using Scikit-learn for Machine Learning

• تکلیف - اولین مدل یادگیری ماشینی از پیش ساخته خود را آموزش دهید Assignment – Train Your First Pre-built Machine Learning Model

اولین مدل پیش بینی خود را بسازید Build Your First Predicting Model

• الگوریتم یادگیری نظارت شده Supervised Learning Algorithm

• معماری یک سیستم یادگیری ماشینی Architecture of a Machine Learning System

• مدل یادگیری ماشین و اجزای آن Machine Learning Model and Its Components

• رگرسیون خطی Linear Regression

• پیش بینی وزن با استفاده از رگرسیون خطی Predicting Weight Using Linear Regression

• تکلیف - پیش بینی بازده انرژی یک نیروگاه Assignment – Predicting Energy Output of a Power Plant

طبقه بندی تصویر با استفاده از یادگیری نظارت شده Image Classification Using Supervised Learning

• بررسی پیش بینی بازده انرژی یک نیروگاه Review of Predicting Energy Output of a Power Plant

• رگرسیون لجستیک Logistic Regression

• طبقه بندی تصاویر با استفاده از رگرسیون لجستیک Classifying Images Using Logistic Regression

• ماشین های بردار پشتیبانی Support Vector Machines

• هسته ها در یک SVM Kernels in a SVM

• طبقه بندی تصاویر با استفاده از ماشین های بردار پشتیبان Classifying Images Using Support Vector Machines

• تکلیف - شروع طبقه‌بندی تصویر با استفاده از ماشین‌های بردار پشتیبانی Assignment – Start Image Classifying Using Support Vector Machines

بهبود دقت مدل Improving Model Accuracy

• بررسی طبقه بندی تصاویر با استفاده از ماشین های بردار پشتیبان Review of Classifying Images Using Support Vector Machines

• ارزیابی مدل Model Evaluation

• اقدامات بهتر از دقت Better Measures than Accuracy

• درک نتایج Understanding the Results

• بهبود مدل ها Improving the Models

• تکلیف - بدست آوردن نتایج بهتر نمونه آزمون با اندازه گیری عملکرد مدل Assignment – Getting Better Test Sample Results by Measuring Model Performance

یافتن الگوها و ساختارها در داده های بدون برچسب Finding Patterns and Structures in Unlabeled Data

• بررسی دریافت نتایج نمونه آزمایشی بهتر با اندازه گیری عملکرد مدل Review of Getting Better Test Sample Results by Measuring Model Performance

• یادگیری بدون نظارت Unsupervised Learning

• خوشه بندی Clustering

• K-به معنای خوشه بندی است K-means Clustering

• تعیین تعداد خوشه ها Determining the Number of Clusters

• تکلیف - پیاده سازی خوشه بندی خود را برای تقسیم بندی مشتری بنویسید Assignment – Write Your Own Clustering Implementation for Customer Segmentation

تحلیل احساسات با استفاده از شبکه های عصبی Sentiment Analysis Using Neural Networks

• بررسی خوشه بندی مشتریان با هم Review of Clustering Customers Together

• چرا شبکه عصبی Why Neural Network

• بخش هایی از یک شبکه عصبی Parts of a Neural Network

• کار یک شبکه عصبی Working of a Neural Network

• بهبود شبکه Improving the Network

• تکلیف - ساخت یک تحلیلگر احساسات بر اساس شبکه اجتماعی با استفاده از ANN Assignment – Build a Sentiment Analyzer Based on Social Network Using ANN

تسلط بر مسابقه Kaggle Titanic با استفاده از جنگل تصادفی Mastering Kaggle Titanic Competition Using Random Forest

• بررسی ساخت یک تحلیلگر احساسات ANN Review of Building a Sentiment Analyser ANN

• درختان تصمیم Decision Trees

• کارکردن درخت تصمیم Working of a Decision Tree

• تکنیک هایی برای بهبود بیشتر یک مدل Techniques to Further Improve a Model

• جنگل تصادفی به عنوان یک رویکرد یادگیری ماشین بهبود یافته Random Forest as an Improved Machine Learning Approach

• کار آخر هفته - حل مسئله تایتانیک با استفاده از جنگل تصادفی Weekend Task – Solving Titanic Problem Using Random Forest