آموزش یادگیری ماشین با پایتون - آخرین آپدیت

مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

• معرفی دوره Course Introduction

• مرور کلی مهندسی هوش مصنوعی IBM IBM AI Engineering PC Overview

• نگاهی کلی به یادگیری ماشین An Overview of Machine Learning

• چرخه حیات مدل یادگیری ماشین Machine Learning Model Lifecycle

• یک روز از زندگی مهندس یادگیری ماشین A Day in the life of a Machine Learning Engineer

• تفاوت دانشمند داده و مهندس هوش مصنوعی Data Scientist vs AI Engineer

• ابزارهای یادگیری ماشین Tools for Machine Learning

• اکوسیستم یادگیری ماشین Scikit-learn Scikit-learn Machine Learning Ecosystem

رگرسیون خطی و لجستیک Linear and Logistic Regression

• مقدمه‌ای بر رگرسیون Introduction to Regression

• مقدمه‌ای بر رگرسیون خطی ساده Introduction to Simple Linear Regression

• مقدمه‌ای بر رگرسیون خطی چندگانه Introduction to Multiple Linear Regression

• رگرسیون چندجمله‌ای و غیرخطی Polynomial and Non-Linear Regression

• مقدمه‌ای بر رگرسیون لجستیک Introduction to Logistic Regression

• آموزش مدل رگرسیون لجستیک Training a Logistic Regression Model

ساخت مدل‌های یادگیری نظارت شده Building Supervised Learning Models

• طبقه‌بندی (Classification) Classification

• درخت‌های تصمیم Decision Trees

• درخت‌های رگرسیون Regression Trees

• یادگیری نظارت شده با SVMها Supervised Learning with SVMs

• یادگیری نظارت شده با KNN Supervised Learning with KNN

• بایاس، واریانس و مدل‌های ترکیبی (Ensemble) Bias, Variance, and Ensemble Models

ساخت مدل‌های یادگیری بدون نظارت Building Unsupervised Learning Models

• استراتژی‌های خوشه‌بندی و کاربردهای واقعی Clustering Strategies and Real-World Applications

• الگوریتم K-means و مباحث تکمیلی K-means and More on K-means

• خوشه‌بندی DBSCAN و HDBSCAN DBSCAN and HDBSCAN Clustering

• خوشه‌بندی، کاهش ابعاد و مهندسی ویژگی‌ها Clustering, Dimension Reduction, and Feature Engineering

• الگوریتم‌های کاهش ابعاد Dimension Reduction Algorithms

ارزیابی و اعتبارسنجی مدل‌های یادگیری ماشین Evaluating and Validating Machine Learning Models

• معیارهای طبقه‌بندی و تکنیک‌های ارزیابی Classification Metrics and Evaluation Techniques

• معیارهای رگرسیون و تکنیک‌های ارزیابی Regression Metrics and Evaluation Techniques

• ارزیابی مدل‌های یادگیری بدون نظارت: روش‌ها و تکنیک‌ها Evaluating Unsupervised Learning Models: Heuristics and Techniques

• اعتبارسنجی متقاطع و تکنیک‌های پیشرفته اعتبارسنجی مدل Cross-Validation and Advanced Model Validation Techniques

• منظم‌سازی (Regularization) در رگرسیون و طبقه‌بندی Regularization in Regression and Classification

• نشت داده‌ها (Data Leakage) و سایر pitfalls Data Leakage and Other Pitfalls

پروژه نهایی و آزمون Final Project and Exam

• جمع‌بندی دوره Course Wrap-up