آموزش جامع یادگیری ماشین (Machine Learning) - آخرین آپدیت

پایتون برای علوم داده Python for Data Science

• معرفی دوره Course Introduction

• کار با گوگل کولب (Google Colab) Working with Google Colab

• مبانی پایتون: ساختارهای داده‌ای پایه و توابع Python Basics: Basic Data Structures and Functions

• کتابخانه‌های رسم نمودار در پایتون: Matplotlib Plotting Libraries for Python: Matplotlib

• کتابخانه‌های رسم نمودار در پایتون: Seaborn Plotting Libraries for Python: Seaborn

• کار با آرایه‌ها: NumPy بخش اول Working with Arrays: NumPy - Part 1

• کار با آرایه‌ها: NumPy بخش دوم Working with Arrays: NumPy - Part 2

• دیتا فریم‌های پایتون: pandas بخش اول Python Data Frames: pandas - Part 1

• دیتا فریم‌های پایتون: pandas بخش دوم Python Data Frames: pandas - Part 2 

ارزیابی جامع هفتگی: پایتون برای علوم داده Weekly Summative Assessment:  Python for Data Science

مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

• تاریخچه و تکامل یادگیری ماشین History and Evolution of Machine Learning 

• ماشین چگونه یاد می‌گیرد؟ How a Machine Learns?

• انواع یادگیری ماشین Types of Machine Learning  

• بهترین روش‌های استفاده از یادگیری ماشین در کسب‌وکار Best-Practices for Using Machine Learning in Business

• الگوریتم‌های طبقه‌بندی بخش اول: درخت تصمیم و KNN ML Algorithms for Classification Part 1: Decision Tree and KNN

• الگوریتم‌های طبقه‌بندی بخش دوم: Naive Bayes ML Algorithms for Classification Part 2: Naive-Bayes

• الگوریتم‌های پیش‌بینی (رگرسیون) ML Algorithms for Prediction (Regression) 

• خوشه‌بندی با یادگیری ماشین: k-means Clustering Using ML: k-means Clustering

• درک توازن بین بایاس و واریانس Understanding the Bias-Variance Trade-Off 

ساخت مدل‌های یادگیری ماشین با استفاده از پایتون Building Machine Learning Models Using Python

• مقدمه‌ای بر Sklearn Introduction to Sklearn

• وظایف پیش‌پردازش: کاهش ابعاد، نرمال‌سازی و تقسیم داده‌های آموزش و تست Pre-Processing Tasks: Dimensionality Reduction, Normalization, and Train Test Split

• پیاده‌سازی مدل رگرسیون خطی Implementation of a Linear Regression Model

• ارزیابی مدل رگرسیون و انجام پیش‌بینی Evaluation of the Regression Model and Making Predictions

• رگرسیون گام‌به‌گام و منظم‌سازی برای ساده‌سازی مدل Stepwise Regression and Regularization for Model Simplification

• پیاده‌سازی مدل رگرسیون لجستیک Implementation of a Logistic Regression Model 

• ارزیابی مدل‌های طبقه‌بندی: AUC، Recall و Precision Evaluation of Classification Models: AUC, Recall, and Precision  

• ارزیابی سایر طبقه‌بندها برای بهبود مدل Evaluating Other Classifiers for Model Improvement

• خوشه‌بندی با استفاده از Sklearn Clustering Using Sklearn

ارزیابی جامع هفتگی: ساخت مدل‌های یادگیری ماشین با پایتون Weekly Summative Assessment: Building Machine Learning Models Using Python

شبکه عصبی مصنوعی Artificial Neural Network 

• منشأ شبکه‌های عصبی مصنوعی و پرسپترون Origins of ANN and the Perceptron

• استفاده از ANN برای حل مسائل کسب‌وکار Using ANNs to Solve Business Use-Cases

• یادگیری با پرسپترون Learning with a Perceptron

• توابع فعال‌ساز Activation Functions

• تابع هزینه و گرادیان نزولی Cost Function and Gradient Descent

• چالش‌های استفاده از شبکه‌های عصبی مصنوعی Challenges in Using ANNs

پیاده‌سازی شبکه‌های عصبی و یادگیری عمیق با پایتون Implementing Neural Networks and Deep Learning Using Python  

• مرور شبکه‌های عصبی مصنوعی Recap of the Artificial Neural Network

• تصمیمات طراحی برای یک شبکه عصبی Design decisions for an ANN

• مقدمه‌ای بر TensorFlow Introduction to TensorFlow

• تعریف مدل رگرسیون برای پیش‌بینی Defining a Regression Model for Prediction

• تنظیم هایپرپارامترها برای بهبود عملکرد Hyperparameter Tuning for Performance Improvement

• ذخیره مدل‌ها و استفاده از آن‌ها در محیط عملیاتی Saving Models and Using them in Production

• بازبینی مدل کیسه کلمات (Bag of Words) Revisiting the Bag of Words Model

• پیاده‌سازی اپلیکیشن تحلیل احساسات Implementing a Sentiment Analysis Application

• مدل TensorFlow برای طبقه‌بندی TensorFlow model for Classification

• شناسایی بیش‌برازش (Overfitting) و غلبه بر آن Identifying Overfitting and Overcoming It

• ارزیابی عملکرد مدل طبقه‌بندی Performance Evaluation of a Classification Model

ارزیابی جامع هفتگی: پیاده‌سازی شبکه‌های عصبی و یادگیری عمیق با پایتون Weekly Summative Assessment: Implementing Neural Networks and Deep Learning Using Python

پردازش زبان طبیعی و طبقه‌بندی تصاویر Natural Language Processing and Image Classification

• پردازش زبان طبیعی: یک نمای کلی Natural Language Processing: An Overview

• مقدمه‌ای بر مفهوم جاسازی کلمات (Word Embeddings) Introduction to the Concept of Word Embeddings 

• تولید جاسازی‌های کلمات Generating Word Embeddings

• تمرین عملی با Word Embeddings Hands-On with Word Embeddings

• ترنسفورمرها: پیشرفته‌ترین تکنولوژی در NLP Transformers: The State of the Art in NLP

• پایپ‌لاین‌های ترنسفورمر Hugging Face The Hugging Face Transformer Pipelines

• فایل‌های تصویری و پردازش آن‌ها Image Files and Their Processing

• فیلترهای کانولوشنال Convolutional Filters

• شبکه‌های عصبی کانولوشنال (CNN) برای طبقه‌بندی تصاویر Convolutional Neural Networks for Image Classification

• تمرین عملی با CNN برای طبقه‌بندی Hands-On with Convolutional Neural Networks for Classification

• مقدمه‌ای بر ترنسفورمرهای بینایی (Vision Transformers) Introduction to Vision Transformers

ارزیابی جامع هفتگی: پردازش زبان طبیعی و طبقه‌بندی تصاویر Weekly Summative Assessment: Natural Language Processing and Image Classification

پروژه انفرادی پایان دوره Term-End Individual Assignment

• ویدئوی جمع‌بندی دوره Course Wrap up video