آموزش مبانی یادگیری ماشین و هوش مصنوعی: از شهود تا پیاده‌سازی - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• معرفی مدرس و درک هدف دوره Intro to the Instructor & Understanding the purpose of the course

• درباره دوره و نحوه بهره‌برداری حداکثری از آن About the Course & How to Leverage the most out of it

• اهمیت شهود ریاضی برای تسلط بر AI و ML Importance of Mathematical Intuition to master AI & ML

• ریاضیات پایه و آمار در بخش‌های آینده Basic Maths & Statistics in Upcoming Sections

احتمال و آمار برای AI و ML Probability & Statistics - for AI & ML

• احتمال و آمار Probability & Stats

• جامعه و نمونه‌برداری Population & Sampling

• میانگین، میانه و مد Mean, Median & Mode

• مقدار مورد انتظار Expected Value

• واریانس و کوواریانس Variance & Covariance

• قضیه توزیع نرمال Normal Distribution Theorem

• قضیه حد مرکزی Central Limit Theorem

• احتمال شرطی Conditional Probability

• قضیه بیز Baye's Theorem

• تخمین بیشینه احتمال Maximum Likelihood Estimation

جبر خطی برای AI و ML Linear Algebra - for AI & ML

• نمای کلی جبر خطی Overview of Linear Algebra

• اسکالر، بردارها، ماتریس‌ها و تنسورها Scalar, Vectors, Matrix & Tensors

• عملیات ماتریسی Matrix Operations

• رتبه و وابستگی خطی Rank & Linear Dependence

• بردارهای ویژه و مقادیر ویژه Eigen Vectors & Eigen Values

• تحلیل مؤلفه‌های اصلی (PCA) Principle Component Analysis

حسابان برای AI و ML Calculus - for AI & ML

• نمای کلی حسابان Overview of Calculus

• مشتقات و گرادینت‌ها Derivatives & Gradients

• الگوریتم گرادینت نزولی Gradient Descent Algorithm

• قاعده زنجیره‌ای Chain Rule

• مبانی بهینه‌سازی Fundamentals of Optimisation

• مینیمم محلی در مقابل جهانی Local vs Global Minima

• تحدب Convexity

مبانی پایتون Basics of Python

• پایتون کاربردی Practical Python

مقدمه‌ای بر یادگیری ماشین Introduction to ML

• نمای کلی و مقدمه Overview and Introduction

• مبانی ML Basics of ML

• طبقه‌بندی ML Classification of ML

• رگرسیون در مقابل طبقه‌بندی Regression vs Classification

• مجموعه آموزش، اعتبارسنجی و تست Trainset, Validationset & Testset

• بیش‌برازش (یادگیری در مقابل حفظ کردن) Overfitting (Learning vs Memories)

آموزش مدل‌ها Training of Models

• کدگذاری One Hot One-Hot Encoding

روش‌های رگرسیون Regression Methods

• رگرسیون خطی Linear Regression

• پارامترهای تست مدل‌ها Parameters to test models

درخت‌های تصمیم Decision Trees

• مقدمه‌ای بر درخت‌های تصمیم Introduction to Decision Trees

• فرآیند آموزش و تست Training & Testing Process

• مفهوم I.G I.G

• مفهوم G.I G.I

مدل‌های Ensemble Ensembles

• مقدمه‌ای بر Ensembleها Introduction to Ensembles

• Bagging Bagging

• Boosting Boosting

آموزش مدل‌ها Training of Models

• آموزش عملی Practical Training

یادگیری ماشین پیشرفته Advanced Machine Learning

• نمای کلی یادگیری ماشین پیشرفته Overview in Advanced Machine Learning

رگرسیون لجستیک Logistic Regression

• رگرسیون لجستیک چیست؟ What is Logistic Regression?

• چرا رگرسیون لجستیک؟ Why Logistic Regression?

• ریاضیات پشت رگرسیون لجستیک Maths behind Logistic Regression

• آیا همیشه به طبقه‌بندی دوگانه نیاز دارم؟ Do I always need binary classification ?

شبکه‌های عصبی Neural Networks

• معماری و نمای کلی Architecture and Overview

• عمیق شدن در شبکه‌های عصبی Dive into Neural Networks

• تعمیم‌پذیری Generalization

• پردازش دسته‌ای Batch Processing

• بهینه‌ساز Optimizer

تمرینات عملی Practicals

• آموزش Kaggle Kaggle Tutorial

• آموزش مدل Model Training

• ML مدرن و شبکه‌های عصبی Modern ML & Neural Networks

• پروژه‌ها و تکالیف ML مدرن و شبکه عصبی Modern ML & Neural Network - Projects & Assignment

پیاده‌سازی کد مفاهیم دوره Coding Implementation of Concepts in the Course

• رگرسیون لجستیک (عملی) Logistic Regression - Hands On

• درخت تصمیم (عملی) Decision Tree - Hands On

• شبکه عصبی (پیاده‌سازی دستی) Neural Network - Manual Implementation

• پیاده‌سازی شبکه عصبی برای طبقه‌بندی چندگانه Neural Network - Implementation for Multi - Category Classification

چگونه برای سوالات مصاحبه پروژه‌های فوق آماده شویم؟ How to prepare for Interview Questions on above projects and its topics ?

• آمادگی برای مصاحبه پروژه‌های AI ML این دوره و ارائه در رزومه Interview Preparation for AI-ML Projects from this course present your resume