آموزش پایتون برای یادگیری ماشینی: دوره کامل مبتدی

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 vs Unsupervised learning

• مواد درسی Course Materials

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 & 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 آزمون آزمون Implementation in python: Predicting the Test Set results

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

• 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-Nearest Neighbors K-Nearest Neighbors algorithm

• نمونه ای از KNN Example of KNN

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

• K-نزدیکترین همسایگان (KNN) با استفاده از پایتون K-Nearest Neighbours (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: پیش بینی نتایج و ماتریس سردرگمی Implementation in python: Results prediction & Confusion matrix

• 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 & 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 & 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 & 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 & 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 & Confusion matrix

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

خوشه بندی Clustering

• مقدمه ای بر خوشه بندی Introduction to clustering

• موارد استفاده کنید 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 خوشه بندی k-means 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 & datasets

• پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in python: Importing libraries & datasets

• ادغام مجموعه داده ها در یک دیتافریم Merging datasets into one dataframe

• مرتب سازی بر اساس عنوان و رتبه Sorting by title and rating

• هیستوگرام نشان دهنده تعداد امتیازات است 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 امتیاز 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 این روند برای یک فیلم دیگر Repeating the process for another movie

• زمان آزمون Quiz Time

نتیجه Conclusion

• نتیجه Conclusion