آموزش پایتون 2023 برای رگرسیون خطی در یادگیری ماشین

سرفصل ها و درس ها

معرفی Introduction

• معرفی Introduction

• پوشه منابع | پرش نکنید! Resources Folder | DO NOT SKIP!

• آناکوندا و پایتون 3 را روی ویندوز 10 نصب کنید Install Anaconda and Python 3 on Windows 10

• آناکوندا و پایتون 3 را روی ماشین اوبونتو نصب کنید Install Anaconda and Python 3 on Ubuntu Machine

• میانبرهای نوت بوک Jupyter Jupyter Notebook Shortcuts

دوره سقوط پایتون Python Crash Course

• معرفی Introduction

• انواع داده ها Data Types

• انتساب متغیر Variable Assignment

• واگذاری رشته String Assignment

• فهرست کنید List

• تنظیم Set

• چندتایی Tuple

• فرهنگ لغت Dictionary

• عملگر بولی و مقایسه Boolean and Comparison Operator

• اپراتور منطقی Logical Operator

• اگر، دیگری، الیف If, Else, Elif

• حلقه ها در پایتون Loops in Python

• روش ها و تابع لامبدا Methods and Lambda Function

معرفی Numpy [اختیاری] Numpy Introduction [Optional]

• معرفی Introduction

• آرایه Array

• NaN و INF NaN and INF

• عملیات آماری Statistical Operations

• شکل، تغییر شکل، راول، صاف کردن Shape, Reshape, Ravel, Flatten

• دنباله، تکرار، و اعداد تصادفی Sequence, Repetitions, and Random Numbers

• Where()، ArgMax()، ArgMin() Where(), ArgMax(), ArgMin()

• فایل خواندن و نوشتن File Read and Write

• الحاق و مرتب سازی Concatenate and Sorting

• کار با خرما Working with Dates

معرفی پانداها Pandas Introduction

• معرفی Introduction

• DataFrame و Series DataFrame and Series

• خواندن و نوشتن فایل File Reading and Writing

• اطلاعات، شکل، تکراری و رها کردن Info, Shape, Duplicated and Drop

• ستون ها Columns

• مقادیر NaN و Null NaN and Null Values

• انتساب Imputation

• توابع لامبدا Lambda Functions

مقدمه Matplotlib Matplotlib Introduction

• معرفی Introduction

• طرح خط Line Plot

• برچسب برای X-Axis و Y-Axis Label for X-Axis and Y-Axis

• Scatter Plot، Bar Plot و Hist Plot Scatter Plot, Bar Plot, and Hist Plot

• طرح جعبه Box Plot

• طرح فرعی Subplot

• xlim، ylim، xticks و yticks xlim, ylim, xticks, and yticks

• طرح پای Pie Plot

• رنگ متن Pie Plot Pie Plot Text Color

• طرح پای تو در تو Nested Pie Plot

• برچسب زدن طرح پای Labeling a Pie Plot

• نمودار میله ای در محور قطبی Bar Chart on Polar Axis

• طرح خط روی یک محور قطبی Line Plot on a Polar Axis

• طرح پراکندگی در یک محور قطبی Scatter Plot on a Polar Axis

• انتگرال در نمودار دیفرانسیل و انتگرال به عنوان مساحت زیر منحنی Integral in Calculus Plot as Area Under the Curve

مقدمه رگرسیون خطی Linear Regression Introduction

• مقدمه رگرسیون خطی Linear Regression Introduction

• نمونه های رگرسیون Regression Examples

• انواع رگرسیون خطی Types of Linear Regression

• ارزیابی عملکرد مدل Assessing the performance of the model

• مبادله تعصب-واریانس Bias-Variance tradeoff

• sklearn و train-test-split چیست What is sklearn and train-test-split

• ارتقا و واردات بسته پایتون Python Package Upgrade and Import

• مجموعه داده مسکن بوستون را بارگیری کنید Load Boston Housing Dataset

• تجزیه و تحلیل مجموعه داده ها Dataset Analysis

• تجزیه و تحلیل داده های اکتشافی - طرح زوجی Exploratory Data Analysis- Pair Plot

• تجزیه و تحلیل داده های اکتشافی - نمودار تاریخ Exploratory Data Analysis- Hist Plot

• تجزیه و تحلیل داده های اکتشافی - نقشه حرارتی Exploratory Data Analysis- Heatmap

• آموزش اسپلیت و مدل تست قطار Train Test Split and Model Training

• نحوه ارزیابی عملکرد مدل رگرسیون How to Evaluate the Regression Model Performance

• قیمت واقعی خانه در مقابل قیمت پیش بینی شده را ترسیم کنید Plot True House Price vs Predicted Price

• ترسیم منحنی های یادگیری قسمت 1 Plotting Learning Curves Part 1

• ترسیم منحنی های یادگیری قسمت 2 Plotting Learning Curves Part 2

• تفسیرپذیری مدل یادگیری ماشین - نمودار باقیمانده Machine Learning Model Interpretability- Residuals Plot

• تفسیرپذیری مدل یادگیری ماشین - نمودار خطای پیش بینی Machine Learning Model Interpretability- Prediction Error Plot

پیش پردازش داده برای رگرسیون خطی Data Preprocessing for Linear Regression

• فرض مدل خطی برای رگرسیون خطی Linear Model Assumption for Linear Regression

• تعاریف مفروضات مدل خطی Definitions of Linear Model Assumptions

• مجموعه داده بوستون را بارگیری کنید Load Boston Dataset

• ایجاد داده های مرجع Create Reference Data

• فرض خطی را برای مجموعه داده بوستون قسمت 1 بررسی کنید Check Linear Assumption for Boston Dataset Part 1

• فرض خطی را برای مجموعه داده بوستون قسمت 2 بررسی کنید Check Linear Assumption for Boston Dataset Part 2

• تبدیل لاگ متغیرها Log Transformation of Variables

• انواع تبدیل های متغیر Types of Variable Transformations

• تحول متقابل Reciprocal Transformation

• sqrt و exp Transformation sqrt and exp Transformation

• تبدیل جعبه کاکس Box-Cox Transformation

• دگرگونی یئو جانسون Yeo-Johnson Transformation

• نرمال بودن متغیرها را با هیستوگرام بررسی کنید Check Variables Normality with Histogram

• نرمال بودن متغیرها را با نمودار Q-Q بررسی کنید Check Variables Normality with Q-Q Plot

• تبدیل متغیر برای نرمال بودن Variable Transformation for Normality

• همسانی متغیرها را بررسی کنید Check Variables Homocedasticity

• تبدیل متغیر برای همسانی بخش 1 Variable Transformation for Homoscedasticity Part 1

• تبدیل متغیر برای همسانی بخش 2 Variable Transformation for Homoscedasticity Part 2

• نحوه بررسی چند خطی How to Check Multicolinearity

• مقدمه عادی سازی و استانداردسازی Normalization and Standardization Introduction

• نرمال سازی و کدگذاری استاندارد Normalization and Standardization Coding

مدل های یادگیری ماشینی قابل تفسیر و توضیح Machine Learning Models Interpretability and Explainer

• قابلیت تفسیر مدل های یادگیری ماشینی Machine Learning Models Interpretability

• خلاصه Recap

• نمودار خطای پیش بینی Prediction Error Plot

• قطعه باقیمانده Residuals Plot

• مدل های یادگیری ماشینی را با LIME قسمت 1 توضیح دهید Explain Machine Learning Models with LIME Part 1

• مدل های یادگیری ماشین را با LIME قسمت 2 توضیح دهید Explain Machine Learning Models with LIME Part 2

• مدل های یادگیری ماشین را با LIME قسمت 3 توضیح دهید Explain Machine Learning Models with LIME Part 3

• خلاصه توضیح دهنده مدل های یادگیری ماشین با SHAP Machine Learning Models Explainer Summary with SHAP

• مدل های یادگیری ماشین را با طرح وابستگی توضیح دهید Explain Machine Learning Models with Dependence Plot

• مدل های یادگیری ماشین را با طرح نیروی فردی توضیح دهید Explain Machine Learning Models with The Individual Force Plot

• مدل های یادگیری ماشین را با طرح نیروی جمعی توضیح دهید Explain Machine Learning Models with The Collective Force Plot

• مدل های یادگیری ماشین را با Shap Heatmap توضیح دهید Explain Machine Learning Models with Shap Heatmap

• مدل های یادگیری ماشین را با طرح های آبشار SHAP توضیح دهید Explain Machine Learning Models with with SHAP Waterfall Plots

• اهمیت ویژگی در مدل های یادگیری ماشینی را توضیح دهید Explain Feature Importance in Machine Learning Models

• انتخاب ویژگی را با SHAP توضیح دهید Explain Feature Selection with SHAP

بهینه سازی مدل رگرسیون خطی Linear Regression Model Optimization

• خلاصه Recap

• فرضیات مدل خطی در مورد ویژگی های انتخاب شده را بررسی کنید Check Linear Model Assumptions on Selected Features

• مفروضات مدل خطی در مورد ویژگی های انتخاب شده قسمت 2 را بررسی کنید Check Linear Model Assumptions on Selected Features Part 2

• شناسایی نقاط پرت در مجموعه داده های یادگیری ماشین Detect Outliers in Machine Learning Datasets

• طرح تجسم پرت Outliers Visualization Plot

• تشخیص پرت برای متغیرهای عادی Outlier Detection for Normal Variables

• تشخیص بیرونی برای متغیرهای کج Outlier Detection for Skewed Variables

• انواع تکنیک های حذف نقاط پرت Types of Outliers Removal Techniques

• حذف نقاط پرت با استفاده از Feature-Engine Outliers Removal by Using Feature-Engine

• ارزیابی مدل پس از حذف نقاط پرت Model Evaluation After Removing the Outliers

• ارزیابی مدل پس از تبدیل ویژگی و حذف نقاط پرت Model Evaluation After Feature Transformations and Outliers Removal

انتخاب ویژگی برای رگرسیون خطی Feature Selection for Linear Regression

• مقدمه ای بر انتخاب ویژگی Introduction to Feature Selection

• مقدمه ای بر API پایتون برای کشف بصری هوشمند Introduction to A Python API for Intelligent Visual Discovery

• خلاصه Recap

• تجسم داده ها با LUX API Visualization of Data with LUX API

• بیشترین ویژگی های مرتبط با قیمت خانه قسمت 1 را انتخاب کنید Select Most Correlated Features with House Price Part 1

• بیشترین ویژگی های مرتبط با قیمت خانه قسمت 2 را انتخاب کنید Select Most Correlated Features with House Price Part 2

• ارزیابی عملکرد مدل Model Performance Evaluation

• حذف ویژگی های ورودی مرتبط (چند خطی) Remove Correlated Input Features (Multicollinearity)

• مقدمه حذف ویژگی بازگشتی (RFE). Recursive Feature Elimination (RFE) Introduction

• 10 کدگذاری حذف ویژگی های بازگشتی (RFE). 10 Recursive Feature Elimination (RFE) Coding

• RFE افزایشی Increamental RFE

• انتخاب ویژگی جامع (EFS) Exhaustive Feature Selection (EFS)

• انتخاب ویژگی با ضرایب رگرسیون خطی Feature Selection by Linear Regression Coefficients

رگرسیون ریج و کمند، شبکه الاستیک و رگرسیون غیرخطی Ridge & Lasso Regression, ElasticNet, and Nonlinear Regression

• مقدمه ای بر منظم سازی Introduction to Regularization

• خلاصه Recap

• رگرسیون ریج Ridge Regression

• رگرسیون کمند Lasso Regression

• توری الاستیک Elastic Net

• رگرسیون چند جمله ای Polynomial Regression

• رگرسیون چند جمله ای با تبدیل های متغیر Polynomial Regression with Variable Transformations

• رگرسیون چند جمله ای با انتخاب ویژگی Polynomial Regression with Feature Selection