آموزش Python for Data Science and Machine Learning Essential Training قسمت 2 - آخرین آپدیت

سرفصل ها و درس ها

معرفی Introduction

• هک های زندگی علم داده Data science life hacks

• نحوه استفاده از Codespace در این دوره How to use Codespaces in this course

• آنچه شما باید بدانید What you should know

1. مقدمه ای بر یادگیری ماشین 1. Introduction to Machine Learning

• تعریف علم داده Defining data science

• نقشه راه یادگیری ماشینی سطح بالا High-level machine learning roadmap

• گروه بندی الگوریتم های یادگیری ماشین Grouping machine learning algorithms

• دیدن مکان یادگیری ماشینی Seeing where machine learning fits in

• مبانی هوش مصنوعی یادگیری ماشینی Machine learning AI foundations

2. مدل های رگرسیون 2. Regression Models

• رگرسیون خطی چندگانه Multiple linear regression

• رگرسیون لجستیک: اعتبارسنجی مجموعه داده Logistic regression: Validating dataset

• رگرسیون لجستیک: پیش بینی آزمون Logistic regression: Test prediction

• رگرسیون لجستیک: ارزش های از دست رفته را درمان کنید Logistic regression: Treat missing values

• رگرسیون لجستیک: ارزیابی مدل Logistic regression: Model evaluation

• رگرسیون لجستیک: مفاهیم Logistic regression: Concepts

• رگرسیون لجستیک: آماده سازی داده ها Logistic regression: Data preparation

• رگرسیون لجستیک: متغیر را دوباره رمزگذاری کنید Logistic regression: Re-encode variable

• رگرسیون لجستیک: استقرار مدل Logistic regression: Model deployment

• رگرسیون خطی Linear regression

3. مدل های خوشه بندی 3. Clustering Models

• DBSCAN برای تشخیص موارد پرت DBSCAN for outlier detection

• تحلیل خوشه ای با روش K-means Cluster analysis with the K-means method

• تجزیه و تحلیل خوشه سلسله مراتبی Hierarchical cluster analysis

4. روش های کاهش ابعاد 4. Dimension Reduction Methods

• تجزیه و تحلیل مؤلفه اصلی (PCA) Principal component analysis (PCA)

• تحلیل عاملی تبیینی Explanatory factor analysis

5. سایر روش های محبوب یادگیری ماشینی 5. Other Popular Machine Learning Methods

• مدل‌های قوانین ارتباط با الگوریتم Apriori Association rules models with the Apriori algorithm

• یادگیری گروهی با جنگل تصادفی Ensemble learning with random forest

• ساخت شبکه عصبی Building a neural network

• شبکه های عصبی با پرسپترون Neural networks with perceptrons

• آمار بیزی با بیز ساده لوح Bayesian statistics with Naïve Bayes

• یادگیری مبتنی بر نمونه با KNN Instance-based learning with KNN

• درختان تصمیم با سبد خرید Decision trees with CART

6. شروع به پردازش زبان طبیعی 6. Getting Started with Natural Language Processing

• خلاصه سازی و تجزیه و تحلیل داده های متنی Lemmatizing and analyzing textual data

• مقدمه ای بر پردازش زبان طبیعی (NLP) Introduction to natural language processing (NLP)

• پاکسازی و ریشه‌یابی داده‌های متنی Cleaning and stemming textual data

7. شروع به کار با مدل های هوش مصنوعی مولد 7. Getting Started with Generative AI Models

• نسخه ی نمایشی کدنویسی: پیاده سازی یک مدل هوش مصنوعی مولد Coding demo: Implementing a generative AI model

• مقدمه ای بر هوش مصنوعی مولد Introduction to generative AI

• همگام با پیشرفت های هوش مصنوعی Keeping up with AI developments

• به مدل های هوش مصنوعی مولد بروید Deep dive into generative AI models

نتیجه Conclusion

• مراحل بعدی و منابع اضافی Next steps and additional resources