آموزش یادگیری ماشین کامل، NLP Bootcamp MLOPS و استقرار

سرفصل ها و درس ها

شروع شدن Getting Started

• به دوره خوش آمدید Welcome To The Course

• مواد کامل Complete Materials

• پیش نیازهای این دوره Prerequisites For This Course

• نصب آناکوندا Anaconda Installation

• شروع کار با VS Code Getting Started With VS Code

معرفی Introduction

• معرفی Introduction

• انواع تکنیک های ML Types of ML Techniques

• معادله خط، 3 بعدی، و هایپرپلان Equation of Line, 3d, and Hyperplane

• فاصله یک نقطه از هواپیما Distance of a point from a plane

• یادگیری مبتنی بر نمونه در مقابل یادگیری مبتنی بر مدل Instance based Vs Model based learning

درک کامل شهود عمیق رگرسیون خطی و عملی Understanding Complete Linear Regression Indepth Intuition And Practicals

• مقدمه رگرسیون خطی ساده Simple Linear Regression Introduction

• درک معادلات رگرسیون خطی ساده Understanding Simple Linear regression Equations

• تابع هزینه Cost Function

• الگوریتم همگرایی Convergence Algorithm

• الگوریتم همگرایی قسمت 02 Convergence Algorithm Part02

• رگرسیون خطی چندگانه Multiple Linear regression

• معیارهای عملکرد Performance Metrics

• MSE، MAE، RMSE MSE, MAE, RMSE

• Overfitting و Underfitting Overfitting and Underfitting

• رگرسیون خطی با OLS Linear Regression with OLS

• رگرسیون خطی ساده عملی Simple Linear Regression Practical

• رگرسیون خطی چندگانه Multiple Linear regression

• شهود رگرسیون چند جمله ای Polynomial Regression Intuition

• پیاده سازی رگرسیون چند جمله ای Polynomial Regression Implementation

• خط لوله در چند جمله ای Pipeline in Polynomial

• مدیریت ارزش های گمشده Handling Missing Values

• مدیریت مجموعه داده های نامتعادل Handling Imbalanced Dataset

الگوریتم های Ridge، Lasso و ElasticNet ML Ridge,Lasso And ElasticNet ML ALgorithms

• رگرسیون ریج Ridge Regression

• Lasso & ElasticNet Lasso & ElasticNet

• انواع اعتبار سنجی متقاطع Types Of cross Validation

• پاک کردن مجموعه داده Cleaning the Dataset

• EDA و مهندسی ویژگی EDA and Feature Engineering

• انتخاب ویژگی Feature Selection

• آموزش مدل Model Training

• تنظیم فراپارامتر Hyperparameter tuning

اجرای گام به گام پروژه با چرخه حیات پروژه ML Steps By Step Project Implementation With LifeCycle OF ML Project

• پروژه رگرسیون خطی ساده اولیه Basic Simple Linear Regression Project

• پروژه های رگرسیون خطی چندگانه با مفروضات Multiple Linear Regression Projects With Assumptions

• پروژه رگرسیون پایه از ابتدا-EDA و مهندسی ویژگی Basic Regression Project From Scratch-EDA And Feature Engineering

• آموزش مدل با اعتبارسنجی متقاطع با استفاده از رگرسیون کمند Model Training With Cross Validation Using Lasso Regression

• آموزش مدل با توری ریج و الاستیک با اعتبارسنجی متقاطع Model Training With Ridge and Elastic net With Cross Validation

• ترشی مدل در پروژه ML Model Pickling In ML Project

• اجرای پروژه ML End To End End To End ML Project Implementation

• استقرار پروژه در AWS Project Deployment In AWS

رگرسیون لجستیک Logistic Regression

• آیا رگرسیون خطی می تواند مسئله طبقه بندی کننده را حل کند. Can Linear Regression Solve Classifier Problem.

• شهود ریاضی عمق رگرسیون لجستیک Logistic Regression Indepth Math Intuition

• معیارهای عملکرد Performance Metrics

• OVR رگرسیون لجستیک Logistic Regression OVR

• پیاده سازی رگرسیون لجستیک Logistic Regression Implementation

• Hyper Parameter Search Grid Grid Search Hyper Parameter

• CV جستجوی تصادفی Randomised Search CV

• OVR لجستیک Logistic OVR

• مجموعه داده های لجستیک نامتعادل Logistic Imbalanced Dataset

• رگرسیون لجستیک ROC Logistic Regression ROC

ماشین‌های بردار پشتیبانی Support Vector Machines

• معرفی ماشین بردار پشتیبانی Introduction to support vector Machine

• SoftMargin و Hard Margin SoftMargin and Hard Margin

• SVM Maths Intuition SVM Maths Intuition

• تابع هزینه SVC SVC Cost function

• رگرسیون برداری پشتیبانی Support Vector Regression

• هسته های SVM SVM Kernels

• دسته‌بندی‌های برداری را پشتیبانی کنید Support Vector Classifiers

• پیاده سازی هسته های SVM SVM Kernels implementation

• پشتیبانی از اجرای رگرسیون برداری Support Vector Regression Implementation

قضیه ساده بیز بیز Naive Bayes Theorem

• درک قضیه بی Understanding Baye's Theorem

• حل مسئله با استفاده از Naive Bay's Solve Problem Using Naive Baye's

• انواع ساده لوح بای Variants Of Naive Baye's

• پیاده سازی عملی ساده لوح بای Naive Baye's Practical Implementation

K الگوریتم ML نزدیکترین همسایه K Nearest Neighbour ML Algorithm

• طبقه بندی KNN و شهود عمقی رگرسیون KNN Classification And Regression Indepth Intuition

• بهینه سازی KNN-KDtree و شهود عمقی درخت توپ Optimization Of KNN- KDtree And Ball Tree Indepth Intuition

• طبقه بندی KNN طبقه بندی کننده و رگرسیور KNN Classifier And Regressor Classification

طبقه بندی درخت تصمیم و رگرسیور Decision Tree Classifier And Regressor

• مقدمه ای به درخت تصمیم. Introduction TO Decision Tree.

• آنتروپی و ناخالصی جینی Entropy and Gini Impurity

• به دست آوردن اطلاعات Information Gain

• آنتروپی در مقابل ناخالصی جینی Entropy vs Gini impurity

• تقسیم درخت تصمیم برای ویژگی های عددی Decision Tree Split for Numerical Features

• پس از هرس و قبل از هرس Post Pruning & Pre Pruning

• رگرسیون درخت تصمیم Decision Tree Regression

• پیاده سازی درخت تصمیم Decision Tree Implementation

• پیش هرس درخت تصمیم Decision tree Prepruning

• پیش بینی دیابت با استفاده از رگرسیون درخت تصمیم Diabetes Prediction Using Decision Tree Regressor

یادگیری ماشین تصادفی جنگل Random Forest Machine Learning

• تکنیک‌های کیسه‌بندی و تقویت گروه. Bagging & Boosting Ensemble Techniques.

• رگرسیون تصادفی جنگل Random Forest Regression

• طبقه بندی مشکلات Problem Classification

• مهندسی ویژگی قسمت 01 Feature Engineering Part 01

• مهندسی ویژگی قسمت 02 Feature Engineering Part 02

• مرحله آموزش مدل Model Training Step

• پروژه رگرسیون جنگل تصادفی - بیانیه مسئله Random Forest Regression Project-Problem Statement

• مهندسی ویژگی Feature Engineering

• آموزش مدل Model Training

الگوریتم یادگیری ماشین Adaboost Adaboost Machine Learning Algorithm

• مقدمه ای بر الگوریتم Adaboost ML Introduction to Adaboost ML algorithm

• ایجاد کنده درخت تصمیم Creating Decision Tree Stump

• اجرای کنده درخت تصمیم Performance of Decision Tree Stump

• به روز رسانی وزن ها Updating Weights.

• عادی سازی وزن ها و تخصیص سطل ها Normalising Weights and Assigning Bins

• انتخاب نقاط داده جدید برای درخت بعدی Selecting New Datapoints for Next tree

• پیش بینی نهایی برای Adaboost Final Prediction for Adaboost

• آموزش مدل آدابوست Adaboost Model Training

• آموزش مدل Adaboost Regressor Adaboost Regressor Model Training

افزایش گرادیان Gradient Boosting

• رگرسیون افزایش گرادیان Gradient Boosting Regression

• آموزش Classifier Gradient Boost Gradient Boost Classifier Training

• آموزش مدل رگرسیون تقویت گرادیان Gradient Boost Regression Model Training

الگوریتم های یادگیری ماشین Xgboost Xgboost Machine Learning Algorithms

• Xgboost طبقه بندی Indepth Intuit Xgboost Classification Indepth Intuit

• Xgboost Regressor Xgboost Regressor

• آموزش مدل Xgboost. Model Training Xgboost.

• آموزش Xgboost Regressor Xgboost Regressor Training

یادگیری ماشینی بدون نظارت Unsupervised Machine Learning

• مقدمه ای بر یادگیری ماشینی بدون نظارت Introduction To Unsupervised Machine Learning

PCA PCA

• نفرین ابعاد Curse Of Dimensionality

• انتخاب و استخراج ویژگی Feature Selection and Extraction

• شهود هندسی PCA PCA Geometric Intuition

• PCA Geometric Intuition 2 PCA Geometric Intuition 2

• PCA Maths Intuition 01 PCA Maths Intuition 01

• تجزیه ویژه بر روی ماتریس کوواریانس Eigen Decomposition on Covariance Matrix

• پیاده سازی PCA PCA Implementation

K به معنای خوشه بندی ML بدون نظارت است K Means Clustering Unsupervised ML

• Kmeans خوشه بندی شهود هندسی Kmeans Clustering Geometric Intuition

• چگونه مقادیر K را پیدا کنیم؟ How to Find K Values?

• تله اولیه سازی تصادفی (Kmeans++) Random Initialisation Trap(Kmeans++)

• K به معنای Clustering Implementation است K means Clustering Implementation

خوشه بندی سلسله مراتبی Hierarichal Clustering

• خوشه بندی سلسله مراتبی Hierarichal Clustering

• اجرای خوشه بندی انبوهی Agglomerative Clustering Implementation

• Kmeans در مقابل خوشه بندی میانگین سلسله مراتبی Kmeans vs Hierarical Mean Clustering

خوشه بندی DBSCAN DBSCAN Clustering

• DBSCAN چگونه کار می کند؟ How DBSCAN Works?

• مثال‌هایی پس از اعمال DBSCAN Examples After Applying DBSCAN

• مزایا و معایب DBSCAN Pros and Cons Of DBSCAN

• پیاده سازی خوشه بندی DBSCAN DBSCAN Clustering Implementation

خوشه بندی Silhoutte Silhoutte Clustering

• شهود خوشه‌بندی Silhoutte Silhoutte Clustering Intuition

الگوریتم های یادگیری ماشینی تشخیص ناهنجاری Anomaly Detection Machine Learning Algorithms

• تشخیص ناهنجاری با استفاده از شهود عمقی جنگل ایزوله Anomaly Detection USsing Isolation Forest Indepth Intuition

• DBSCAN Clustering Anomaly Detection DBSCAN Clustering Anomaly Detection

• تشخیص ناهنجاری فاکتور دورافتاده محلی Local Outlier Factor Anomaly Detection

Dockers برای مبتدیان Dockers For Beginners

• سری داکرز Dockers Series

• داکرها و کانتینرها چیست Dockers and What is Containers

• تصویر داکر در مقابل کانتینرها Docker image vs Containers

• داکر در مقابل ماشین های مجازی Docker vs Virtual Machines

• نصب داکر Docker Installation

• دستورات پایه داکر Docker Basic Commands

• ایجاد یک تصویر داکر Creating a Docker Image

• تصویر Docker را به Docker Hub فشار دهید Push Docker Image to Docker Hub

• Docker Compose Docker Compose

GIT برای مبتدیان GIT For Beginners

• مقدمه، نصب و دستورات پایه Introduction, Installation and Basic Commands

• Git Merge، Push، Checkout و Log با دستورات Git Merge, Push, Checkout and Log with commands

• حل تعارض ادغام شاخه Git Resolving Git Branch Merge Conflict

پروژه یادگیری ماشینی پایان به پایان با AWS، استقرار Azure End To End Machine Learning Project With AWS,Azure Deployment

• پروژه پایان به پایان ML با Deployment-Github و تنظیم کد End To End ML Project With Deployment-Github And Code Set Up

• اجرای ساختار پروژه، ثبت و مدیریت استثنا Implementing Project Structure, Logging And Exception Handling

• بحث بیان مشکل پروژه، آموزش مدل EDA و Discussing Project Problem Statement,EDA And Model Training

• پیاده سازی داده ها Data Ingestion Implementation

• تبدیل داده ها با استفاده از پیاده سازی خطوط لوله Data Transformation Using Pipelines Implementation

• پیاده سازی مربی مدل Model Trainer Implementation

• پیاده سازی تنظیم فراپارامتر مدل Model Hyperparameter Tuning Implementation

• خط لوله پیش بینی ساختمان Building Prediction Pipeline

• استقرار پروژه ML با استفاده از AWS Beanstalk ML Project Deployment Using AWS Beanstalk

• استقرار نمونه EC2 با ECR Deployment EC2 Instance With ECR

• استقرار Azure با کانتینر و تصاویر Deployment Azure With Container And Images

چرخه حیات پروژه MLFlow Dagshub و BentoML-Complete ML MLFlow Dagshub and BentoML-Complete ML Project Lifecycle

• شروع کار با MLOPS با MLFlow و Dagshub با پروژه Getting Started With MLOPS With MLFlow And Dagshub With Project

• پیاده سازی کنترل نسخه سازی داده ها Data Versioning Control Implementation

• ساخت پروژه های علم داده با BentoML Building Data Science Projects With BentoML

NLP برای یادگیری ماشین NLP for Machine Learning

• نقشه راه یادگیری NLP برای یادگیری ماشین Roadmap to Learn NLP for Machine Learning

• موارد استفاده عملی از NLP Practical Use cases of NLP

• Tokenisation و اصطلاحات اساسی Tokenisation and Basic Terminologies

• عملی توکن سازی Tokenisation Practicals

• پیش پردازش متن با استفاده از NLTK Text Preprocessing Stemming using NLTK

• Lemmatization پیش پردازش متن NLTK Text Preprocessing Lemmatization NLTK

• کلیدواژه های پیش پردازش متن Text Preprocessing Stopwords

• بخش هایی از برچسب گذاری گفتار با استفاده از NLTK Parts of Speech Tagging Using NLTK

• به نام Entity Recognition Named Entity Recognition

• بعد چه می شود؟ What's Next?

• یک شهود رمزگذاری داغ One Hot Encoding Intuition

• مزایا و معایب OHE Advantages and Disadvantages of OHE

• کیسه کلمات شهود Bag of Words Intuition

• مزایا و معایب BOW Advantages and Disadvantages BOW

• پیاده سازی BOW با استفاده از NLTK BOW implementation using NLTK

• N گرم N Grams

• پیاده سازی Gram BOW با استفاده از NLTK Gram BOW Implementation Using NLTK

• موسسه TF-IDF TF-IDF Instituion

• مزایا و معایب TF-IDF Advantages and Disadvantages of TF-IDF

• TFIDF پیاده سازی عملی پایتون TFIDF Practical implementation Python

• جاسازی های کلمه Word Embeddings

• Word2Vec Intuition Word2Vec Intuition

• Word2Vec Cbow Intuition Word2Vec Cbow Intuition

• SkipGram Indepth Intuition SkipGram Indepth Intuition

• مزایای Word2Vec Advantages of Word2Vec

• پیاده سازی عملی Word2vec Gensim Word2vec Practical Implementation Gensim

• پروژه اسپم ژامبون با استفاده از BOW Spam ham Project using BOW

یادگیری عمیق Deep Learning

• معرفی Introduction

• چرا یادگیری عمیق در حال محبوب شدن است؟ Why Deep Learning is getting Popular?

• 3 - شهود ادراک 3 - Perception Intuition

• مزایا و معایب پرسپترون Advantages and Disadvantages of Perceptron

• ANN شهود و یادگیری ANN Intuition and Learning

• افزایش مجدد و به روز رسانی وزن Back Propogation and Weight Updation

• قانون زنجیره ای مشتقات Chain Rule of Derivatives

• مشکل گرادیان ناپدید شده و سیگموئید Vanishing Gradient Problem and Sigmoid

• تابع فعال سازی سیگموئید Sigmoid Activation Function

• تابع فعال سازی سیگموئید 2.0 Sigmoid Activation Function 2.0

• تابع فعال سازی Tahn Tahn Activation Function

• تابع فعال سازی Relu Relu activation Function

• Relu نشتی و Relu پارامتریک Leaky Relu and Parametric Relu

• عملکرد فعال سازی ELU ELU Activation Function

• Softmax برای طبقه بندی چند کلاسه Softmax For Multiclass Classification

• کدام تابع فعال سازی چه زمانی اعمال شود؟ Which Activation Function To Apply When?

• تابع ضرر در مقابل تابع هزینه Loss Function Vs Cost Function

• تابع هزینه رگرسیون Regression Cost Function

• مشکل طبقه بندی تابع از دست دادن Loss Function Classification Problem

• چه زمانی از کدام تابع ضرر استفاده کنیم؟ Which Loss Function To Use When?

• بهینه سازهای گرادیان نزول Gradient Descent Optimisers

• SGD SGD

• مینی بچ با SGD Mini Batch With SGD

• SGD با تکانه SGD With Momentum

• آداگارد Adagard

• RMSPROP RMSPROP

• آدام بهینه ساز Adam Optimiser

• مشکل گرادیان انفجاری Exploding Gradient Problem

• تکنیک های اولیه سازی وزن Weight Initialisation Techniques

• لایه های حذفی Dropout Layers

• CNN مقدمه CNN Introduction

• مغز انسان در مقابل CNN Human Brain Vs CNN

• همه آنچه باید در مورد تصاویر بدانید All you need to Know about Images

• عملیات پیچیدگی در CNN Convolution Operation In CNN

• بالشتک در CNN Padding In CNN

• عملیات CNN در مقابل ANN Operation Of CNN Vs ANN

• حداکثر، حداقل و میانگین جمع Max, Min and Average Pooling

• لایه های مسطح و کاملا متصل Flattening and Fully Connected Layers

• مثال CNN با RGB CNN example with RGB