آموزش پایتون برای علوم داده قسمت 2

سرفصل ها و درس ها

مقدمه Introduction

• سنگهای یادگیری ماشین Machine learning rocks

• آنچه باید بدانید What you should know

1. آشنایی با علوم داده 1. Introduction to Data Science

• تعریف علم داده Defining data science

• چرا از پایتون برای علم داده استفاده می کنیم؟ Why use Python for data science?

• AI در کجا جای می گیرد؟ Where does AI fit in?

2. آشنایی با یادگیری ماشین 2. Introduction to Machine Learning

• یادگیری ماشین 101 Machine learning 101

• گروه بندی الگوریتم های یادگیری ماشین Grouping machine learning algorithms

3. مدل های رگرسیون 3. Regression Models

• رگرسیون خطی Linear regression

• رگرسیون خطی چندگانه Multiple linear regression

• رگرسیون لجستیک: مفاهیم Logistic regression: Concepts

• رگرسیون لجستیک: تهیه اطلاعات Logistic regression: Data preparation

• رگرسیون لجستیک: مقادیر گمشده را درمان کنید Logistic regression: Treat missing values

• رگرسیون لجستیک: متغیرها را دوباره رمزگذاری کنید Logistic regression: Re-encode variables

• رگرسیون لجستیک: اعتبارسنجی مجموعه داده Logistic regression: Validating data set

• رگرسیون لجستیک: استقرار مدل Logistic regression: Model deployment

• رگرسیون لجستیک: ارزیابی مدل Logistic regression: Model evaluation

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

4. مدل های خوشه بندی 4. Clustering Models

• روش K- معنی K-means method

• روش های سلسله مراتبی Hierarchical methods

• DBSCAN برای تشخیص فاصله بیشتر DBSCAN for outlier detection

5- روش های کاهش ابعاد 5. Dimension Reduction Methods

• تحلیل عاملی اکتشافی Explanatory factor analysis

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

6. سایر روشهای یادگیری محبوب ماشین 6. Other Popular Machine Learning Methods

• انجمن با مدلهای آپریوری قانون می کند Association rules models with Apriori

• شبکه های عصبی با پرسپترون Neural networks with a perceptron

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

• مدل های درخت تصمیم گیری با سبد خرید Decision tree models with CART

• مدلهای بیزی با Bayes Naive Bayesian models with Naive Bayes

• مدل های گروه با جنگل های تصادفی Ensemble models with random forests

نتیجه Conclusion

• مراحل بعدی Next steps