آموزش پایتون برای کلاس کارشناسی ارشد یادگیری ماشین و علوم داده

سرفصل ها و درس ها

مقدمه دوره Introduction to Course

• به دوره خوش آمدید! Welcome to the Course!

• سخنرانی اجمالی دوره - لطفاً رد نشوید! COURSE OVERVIEW LECTURE - PLEASE DO NOT SKIP!

• نصب و راه اندازی Anaconda Python و Jupyter Anaconda Python and Jupyter Install and Setup

• یادداشت در مورد تنظیم محیط - لطفاً مرا بخوانید! Note on Environment Setup - Please read me!

• راه اندازی محیط Environment Setup

مقدمه دوره Introduction to Course

• به دوره خوش آمدید! Welcome to the Course!

• سخنرانی اجمالی دوره - لطفاً رد نشوید! COURSE OVERVIEW LECTURE - PLEASE DO NOT SKIP!

• نصب و راه اندازی Anaconda Python و Jupyter Anaconda Python and Jupyter Install and Setup

• یادداشت در مورد تنظیم محیط - لطفاً مرا بخوانید! Note on Environment Setup - Please read me!

• راه اندازی محیط Environment Setup

اختیاری: دوره سقوط پایتون OPTIONAL: Python Crash Course

• اختیاری: دوره سقوط پایتون OPTIONAL: Python Crash Course

• دوره سقوط پایتون - قسمت اول Python Crash Course - Part One

• دوره سقوط پایتون - قسمت دوم Python Crash Course - Part Two

• دوره سقوط پایتون - قسمت سوم Python Crash Course - Part Three

• دوره سقوط پایتون - سوالات تمرینی Python Crash Course - Exercise Questions

• دوره سقوط پایتون - راه حل های تمرین Python Crash Course - Exercise Solutions

اختیاری: دوره سقوط پایتون OPTIONAL: Python Crash Course

• اختیاری: دوره سقوط پایتون OPTIONAL: Python Crash Course

• دوره سقوط پایتون - قسمت اول Python Crash Course - Part One

• دوره سقوط پایتون - قسمت دوم Python Crash Course - Part Two

• دوره سقوط پایتون - قسمت سوم Python Crash Course - Part Three

• دوره سقوط پایتون - سوالات تمرینی Python Crash Course - Exercise Questions

• دوره سقوط پایتون - راه حل های تمرین Python Crash Course - Exercise Solutions

نمای کلی مسیر یادگیری ماشین Machine Learning Pathway Overview

• مسیر یادگیری ماشینی Machine Learning Pathway

نمای کلی مسیر یادگیری ماشین Machine Learning Pathway Overview

• مسیر یادگیری ماشینی Machine Learning Pathway

NumPy NumPy

• مقدمه ای بر NumPy Introduction to NumPy

• آرایه های NumPy NumPy Arrays

• ورود به تمرین کدنویسی: ایجاد آرایه های NumPy Coding Exercise Check-in: Creating NumPy Arrays

• نمایه سازی و انتخاب NumPy NumPy Indexing and Selection

• ورود به تمرین کدنویسی: انتخاب داده از Numpy Array Coding Exercise Check-in: Selecting Data from Numpy Array

• عملیات NumPy NumPy Operations

• ورود: عملیات در NumPy Array Check-In: Operations on NumPy Array

• تمرینات NumPy NumPy Exercises

• تمرینات بیهوده - راه حل Numpy Exercises - Solutions

NumPy NumPy

• مقدمه ای بر NumPy Introduction to NumPy

• آرایه های NumPy NumPy Arrays

• ورود به تمرین کدنویسی: ایجاد آرایه های NumPy Coding Exercise Check-in: Creating NumPy Arrays

• نمایه سازی و انتخاب NumPy NumPy Indexing and Selection

• ورود به تمرین کدنویسی: انتخاب داده از Numpy Array Coding Exercise Check-in: Selecting Data from Numpy Array

• عملیات NumPy NumPy Operations

• ورود: عملیات در NumPy Array Check-In: Operations on NumPy Array

• تمرینات NumPy NumPy Exercises

• تمرینات بیهوده - راه حل Numpy Exercises - Solutions

پانداها Pandas

• آشنایی با پانداها Introduction to Pandas

• سریال - قسمت اول Series - Part One

• ورود: فهرست دارای برچسب در سری پانداها Check-in: Labeled Index in Pandas Series

• سریال - قسمت دوم Series - Part Two

• DataFrames - قسمت اول - ایجاد یک DataFrame DataFrames - Part One - Creating a DataFrame

• DataFrames - قسمت دوم - ویژگی های اساسی DataFrames - Part Two - Basic Properties

• DataFrames - قسمت سوم - کار با ستون ها DataFrames - Part Three - Working with Columns

• DataFrames - قسمت چهارم - کار با ردیف DataFrames - Part Four - Working with Rows

• پانداها - فیلتر کردن شرطی Pandas - Conditional Filtering

• پانداها - روش های مفید - روی تک ستون اعمال کنید Pandas - Useful Methods - Apply on Single Column

• پانداها - روش های مفید - روی ستون های متعدد اعمال کنید Pandas - Useful Methods - Apply on Multiple Columns

• پانداها - روش های مفید - اطلاعات آماری و مرتب سازی Pandas - Useful Methods - Statistical Information and Sorting

• داده های از دست رفته - نمای کلی Missing Data - Overview

• داده های از دست رفته - عملیات پانداها Missing Data - Pandas Operations

• عملیات GroupBy - قسمت اول GroupBy Operations - Part One

• عملیات GroupBy - قسمت دوم - MultiIndex GroupBy Operations - Part Two - MultiIndex

• ترکیب DataFrames - الحاق Combining DataFrames - Concatenation

• ترکیب DataFrames - Inner Merge Combining DataFrames - Inner Merge

• ترکیب DataFrames - ادغام چپ و راست Combining DataFrames - Left and Right Merge

• ترکیب DataFrames - Outer Merge Combining DataFrames - Outer Merge

• پانداها - روش های متنی برای داده های رشته ای Pandas - Text Methods for String Data

• پانداها - روش های زمان برای داده های تاریخ و زمان Pandas - Time Methods for Date and Time Data

• ورودی و خروجی پانداها - فایل‌های CSV Pandas Input and Output - CSV Files

• ورودی و خروجی پانداها - جداول HTML Pandas Input and Output - HTML Tables

• ورودی و خروجی پانداها - فایل های اکسل Pandas Input and Output - Excel Files

• ورودی و خروجی پانداها - پایگاه های داده SQL Pandas Input and Output - SQL Databases

• میزهای محوری پاندا Pandas Pivot Tables

• بررسی اجمالی تمرین پروژه پانداها Pandas Project Exercise Overview

• راه حل های تمرین پروژه پانداها Pandas Project Exercise Solutions

پانداها Pandas

• آشنایی با پانداها Introduction to Pandas

• سریال - قسمت اول Series - Part One

• ورود: فهرست دارای برچسب در سری پانداها Check-in: Labeled Index in Pandas Series

• سریال - قسمت دوم Series - Part Two

• DataFrames - قسمت اول - ایجاد یک DataFrame DataFrames - Part One - Creating a DataFrame

• DataFrames - قسمت دوم - ویژگی های اساسی DataFrames - Part Two - Basic Properties

• DataFrames - قسمت سوم - کار با ستون ها DataFrames - Part Three - Working with Columns

• DataFrames - قسمت چهارم - کار با ردیف DataFrames - Part Four - Working with Rows

• پانداها - فیلتر کردن شرطی Pandas - Conditional Filtering

• پانداها - روش های مفید - روی تک ستون اعمال کنید Pandas - Useful Methods - Apply on Single Column

• پانداها - روش های مفید - روی ستون های متعدد اعمال کنید Pandas - Useful Methods - Apply on Multiple Columns

• پانداها - روش های مفید - اطلاعات آماری و مرتب سازی Pandas - Useful Methods - Statistical Information and Sorting

• داده های از دست رفته - نمای کلی Missing Data - Overview

• داده های از دست رفته - عملیات پانداها Missing Data - Pandas Operations

• عملیات GroupBy - قسمت اول GroupBy Operations - Part One

• عملیات GroupBy - قسمت دوم - MultiIndex GroupBy Operations - Part Two - MultiIndex

• ترکیب DataFrames - الحاق Combining DataFrames - Concatenation

• ترکیب DataFrames - Inner Merge Combining DataFrames - Inner Merge

• ترکیب DataFrames - ادغام چپ و راست Combining DataFrames - Left and Right Merge

• ترکیب DataFrames - Outer Merge Combining DataFrames - Outer Merge

• پانداها - روش های متنی برای داده های رشته ای Pandas - Text Methods for String Data

• پانداها - روش های زمان برای داده های تاریخ و زمان Pandas - Time Methods for Date and Time Data

• ورودی و خروجی پانداها - فایل‌های CSV Pandas Input and Output - CSV Files

• ورودی و خروجی پانداها - جداول HTML Pandas Input and Output - HTML Tables

• ورودی و خروجی پانداها - فایل های اکسل Pandas Input and Output - Excel Files

• ورودی و خروجی پانداها - پایگاه های داده SQL Pandas Input and Output - SQL Databases

• میزهای محوری پاندا Pandas Pivot Tables

• بررسی اجمالی تمرین پروژه پانداها Pandas Project Exercise Overview

• راه حل های تمرین پروژه پانداها Pandas Project Exercise Solutions

Matplotlib Matplotlib

• مقدمه ای بر Matplotlib Introduction to Matplotlib

• مبانی Matplotlib Matplotlib Basics

• Matplotlib - درک شی شکل Matplotlib - Understanding the Figure Object

• Matplotlib - پیاده سازی شکل ها و محورها Matplotlib - Implementing Figures and Axes

• Matplotlib - پارامترهای شکل Matplotlib - Figure Parameters

• Matplotlib - قابلیت Subplots Matplotlib - Subplots Functionality

• Matplotlib Styling - Legends Matplotlib Styling - Legends

• یک ظاهر طراحی Matplotlib - رنگ ها و سبک ها Matplotlib Styling - Colors and Styles

• دستورات پیشرفته Matplotlib (اختیاری) Advanced Matplotlib Commands (Optional)

• بررسی اجمالی سوالات تمرین Matplotlib Matplotlib Exercise Questions Overview

• سوالات تمرین Matplotlib - راه حل Matplotlib Exercise Questions - Solutions

Matplotlib Matplotlib

• مقدمه ای بر Matplotlib Introduction to Matplotlib

• مبانی Matplotlib Matplotlib Basics

• Matplotlib - درک شی شکل Matplotlib - Understanding the Figure Object

• Matplotlib - پیاده سازی شکل ها و محورها Matplotlib - Implementing Figures and Axes

• Matplotlib - پارامترهای شکل Matplotlib - Figure Parameters

• Matplotlib - قابلیت Subplots Matplotlib - Subplots Functionality

• Matplotlib Styling - Legends Matplotlib Styling - Legends

• یک ظاهر طراحی Matplotlib - رنگ ها و سبک ها Matplotlib Styling - Colors and Styles

• دستورات پیشرفته Matplotlib (اختیاری) Advanced Matplotlib Commands (Optional)

• بررسی اجمالی سوالات تمرین Matplotlib Matplotlib Exercise Questions Overview

• سوالات تمرین Matplotlib - راه حل Matplotlib Exercise Questions - Solutions

تجسم داده های Seaborn Seaborn Data Visualizations

• معرفی Seaborn Introduction to Seaborn

• Scatterplots با Seaborn Scatterplots with Seaborn

• پلات های توزیع - قسمت اول - درک انواع قطعه Distribution Plots - Part One - Understanding Plot Types

• توطئه های توزیع - قسمت دوم - کدگذاری با Seaborn Distribution Plots - Part Two - Coding with Seaborn

• نقشه های طبقه بندی شده - آمار در دسته ها - درک انواع قطعه Categorical Plots - Statistics within Categories - Understanding Plot Types

• پلات های طبقه بندی شده - آمار در دسته ها - کدگذاری با Seaborn Categorical Plots - Statistics within Categories - Coding with Seaborn

• پلات های طبقه بندی شده - توزیع در دسته ها - درک انواع قطعه Categorical Plots - Distributions within Categories - Understanding Plot Types

• توطئه های طبقه بندی شده - توزیع در دسته ها - کدگذاری با Seaborn Categorical Plots - Distributions within Categories - Coding with Seaborn

• Seaborn - مقایسه نمودارها - درک انواع پلات Seaborn - Comparison Plots - Understanding the Plot Types

• Seaborn - Comparison Plots - Coding with Seaborn Seaborn - Comparison Plots - Coding with Seaborn

• توطئه های توری دریا Seaborn Grid Plots

• Seaborn - توطئه های ماتریکس Seaborn - Matrix Plots

• بررسی اجمالی تمرینات طرح دریا Seaborn Plot Exercises Overview

• راه‌حل‌های تمرین‌های پلات دریایی Seaborn Plot Exercises Solutions

تجسم داده های Seaborn Seaborn Data Visualizations

• معرفی Seaborn Introduction to Seaborn

• Scatterplots با Seaborn Scatterplots with Seaborn

• پلات های توزیع - قسمت اول - درک انواع قطعه Distribution Plots - Part One - Understanding Plot Types

• توطئه های توزیع - قسمت دوم - کدگذاری با Seaborn Distribution Plots - Part Two - Coding with Seaborn

• نقشه های طبقه بندی شده - آمار در دسته ها - درک انواع قطعه Categorical Plots - Statistics within Categories - Understanding Plot Types

• پلات های طبقه بندی شده - آمار در دسته ها - کدگذاری با Seaborn Categorical Plots - Statistics within Categories - Coding with Seaborn

• پلات های طبقه بندی شده - توزیع در دسته ها - درک انواع قطعه Categorical Plots - Distributions within Categories - Understanding Plot Types

• توطئه های طبقه بندی شده - توزیع در دسته ها - کدگذاری با Seaborn Categorical Plots - Distributions within Categories - Coding with Seaborn

• Seaborn - مقایسه نمودارها - درک انواع پلات Seaborn - Comparison Plots - Understanding the Plot Types

• Seaborn - Comparison Plots - Coding with Seaborn Seaborn - Comparison Plots - Coding with Seaborn

• توطئه های توری دریا Seaborn Grid Plots

• Seaborn - توطئه های ماتریکس Seaborn - Matrix Plots

• بررسی اجمالی تمرینات طرح دریا Seaborn Plot Exercises Overview

• راه‌حل‌های تمرین‌های پلات دریایی Seaborn Plot Exercises Solutions

تجزیه و تحلیل داده ها و تجسم تمرین پروژه Capstone Data Analysis and Visualization Capstone Project Exercise

• نمای کلی پروژه Capstone Capstone Project Overview

• راه حل های پروژه Capstone - قسمت اول Capstone Project Solutions - Part One

• راه حل های پروژه Capstone - قسمت دوم Capstone Project Solutions - Part Two

• راهکارهای پروژه Capstone - قسمت سوم Capstone Project Solutions - Part Three

تجزیه و تحلیل داده ها و تجسم تمرین پروژه Capstone Data Analysis and Visualization Capstone Project Exercise

• نمای کلی پروژه Capstone Capstone Project Overview

• راه حل های پروژه Capstone - قسمت اول Capstone Project Solutions - Part One

• راه حل های پروژه Capstone - قسمت دوم Capstone Project Solutions - Part Two

• راهکارهای پروژه Capstone - قسمت سوم Capstone Project Solutions - Part Three

مروری بر مفاهیم یادگیری ماشین Machine Learning Concepts Overview

• مقدمه ای بر بخش مروری بر یادگیری ماشین Introduction to Machine Learning Overview Section

• چرا یادگیری ماشینی؟ Why Machine Learning?

• انواع الگوریتم های یادگیری ماشینی Types of Machine Learning Algorithms

• فرآیند یادگیری ماشینی تحت نظارت Supervised Machine Learning Process

• کتاب همراه - مقدمه ای بر یادگیری آماری Companion Book - Introduction to Statistical Learning

مروری بر مفاهیم یادگیری ماشین Machine Learning Concepts Overview

• مقدمه ای بر بخش مروری بر یادگیری ماشین Introduction to Machine Learning Overview Section

• چرا یادگیری ماشینی؟ Why Machine Learning?

• انواع الگوریتم های یادگیری ماشینی Types of Machine Learning Algorithms

• فرآیند یادگیری ماشینی تحت نظارت Supervised Machine Learning Process

• کتاب همراه - مقدمه ای بر یادگیری آماری Companion Book - Introduction to Statistical Learning

رگرسیون خطی Linear Regression

• مقدمه ای بر بخش رگرسیون خطی Introduction to Linear Regression Section

• رگرسیون خطی - تاریخچه الگوریتم Linear Regression - Algorithm History

• رگرسیون خطی - درک حداقل مربعات معمولی Linear Regression - Understanding Ordinary Least Squares

• رگرسیون خطی - توابع هزینه Linear Regression - Cost Functions

• رگرسیون خطی - نزول گرادیان Linear Regression - Gradient Descent

• کدنویسی پایتون رگرسیون خطی ساده Python coding Simple Linear Regression

• مروری بر Scikit-Learn و Python Overview of Scikit-Learn and Python

• رگرسیون خطی - تقسیم آزمون Scikit-Learn Train Linear Regression - Scikit-Learn Train Test Split

• رگرسیون خطی - ارزیابی عملکرد Scikit-Learn - رگرسیون Linear Regression - Scikit-Learn Performance Evaluation - Regression

• رگرسیون خطی - پلات های باقیمانده Linear Regression - Residual Plots

• رگرسیون خطی - استقرار مدل و تفسیر ضریب Linear Regression - Model Deployment and Coefficient Interpretation

• رگرسیون چند جمله ای - نظریه و انگیزه Polynomial Regression - Theory and Motivation

• رگرسیون چند جمله ای - ایجاد ویژگی های چند جمله ای Polynomial Regression - Creating Polynomial Features

• رگرسیون چند جمله ای - آموزش و ارزیابی Polynomial Regression - Training and Evaluation

• مبادله واریانس تعصب Bias Variance Trade-Off

• رگرسیون چند جمله ای - انتخاب درجه چند جمله ای Polynomial Regression - Choosing Degree of Polynomial

• رگرسیون چند جمله ای - استقرار مدل Polynomial Regression - Model Deployment

• بررسی اجمالی منظم سازی Regularization Overview

• مقیاس بندی ویژگی ها Feature Scaling

• مقدمه ای بر اعتبارسنجی متقاطع Introduction to Cross Validation

• تنظیم داده های منظم Regularization Data Setup

• منظم سازی L2 - نظریه رگرسیون ریج L2 Regularization - Ridge Regression Theory

• منظم سازی L2 - رگرسیون ریج - پیاده سازی پایتون L2 Regularization - Ridge Regression - Python Implementation

• تنظیم L1 - رگرسیون کمند - پیشینه و پیاده سازی L1 Regularization - Lasso Regression - Background and Implementation

• منظم سازی L1 و L2 - توری الاستیک L1 and L2 Regularization - Elastic Net

• پروژه رگرسیون خطی - مروری بر داده ها Linear Regression Project - Data Overview

رگرسیون خطی Linear Regression

• مقدمه ای بر بخش رگرسیون خطی Introduction to Linear Regression Section

• رگرسیون خطی - تاریخچه الگوریتم Linear Regression - Algorithm History

• رگرسیون خطی - درک حداقل مربعات معمولی Linear Regression - Understanding Ordinary Least Squares

• رگرسیون خطی - توابع هزینه Linear Regression - Cost Functions

• رگرسیون خطی - نزول گرادیان Linear Regression - Gradient Descent

• کدنویسی پایتون رگرسیون خطی ساده Python coding Simple Linear Regression

• مروری بر Scikit-Learn و Python Overview of Scikit-Learn and Python

• رگرسیون خطی - تقسیم آزمون Scikit-Learn Train Linear Regression - Scikit-Learn Train Test Split

• رگرسیون خطی - ارزیابی عملکرد Scikit-Learn - رگرسیون Linear Regression - Scikit-Learn Performance Evaluation - Regression

• رگرسیون خطی - پلات های باقیمانده Linear Regression - Residual Plots

• رگرسیون خطی - استقرار مدل و تفسیر ضریب Linear Regression - Model Deployment and Coefficient Interpretation

• رگرسیون چند جمله ای - نظریه و انگیزه Polynomial Regression - Theory and Motivation

• رگرسیون چند جمله ای - ایجاد ویژگی های چند جمله ای Polynomial Regression - Creating Polynomial Features

• رگرسیون چند جمله ای - آموزش و ارزیابی Polynomial Regression - Training and Evaluation

• مبادله واریانس تعصب Bias Variance Trade-Off

• رگرسیون چند جمله ای - انتخاب درجه چند جمله ای Polynomial Regression - Choosing Degree of Polynomial

• رگرسیون چند جمله ای - استقرار مدل Polynomial Regression - Model Deployment

• بررسی اجمالی منظم سازی Regularization Overview

• مقیاس بندی ویژگی ها Feature Scaling

• مقدمه ای بر اعتبارسنجی متقاطع Introduction to Cross Validation

• تنظیم داده های منظم Regularization Data Setup

• منظم سازی L2 - نظریه رگرسیون ریج L2 Regularization - Ridge Regression Theory

• منظم سازی L2 - رگرسیون ریج - پیاده سازی پایتون L2 Regularization - Ridge Regression - Python Implementation

• تنظیم L1 - رگرسیون کمند - پیشینه و پیاده سازی L1 Regularization - Lasso Regression - Background and Implementation

• منظم سازی L1 و L2 - توری الاستیک L1 and L2 Regularization - Elastic Net

• پروژه رگرسیون خطی - مروری بر داده ها Linear Regression Project - Data Overview

مهندسی ویژگی و آماده سازی داده ها Feature Engineering and Data Preparation

• یادداشتی از خوزه در مورد مهندسی ویژگی و آماده سازی داده ها A note from Jose on Feature Engineering and Data Preparation

• مقدمه ای بر مهندسی ویژگی و آماده سازی داده ها Introduction to Feature Engineering and Data Preparation

• برخورد با موارد پرت Dealing with Outliers

• برخورد با داده های از دست رفته: بخش اول - ارزیابی داده های از دست رفته Dealing with Missing Data : Part One - Evaluation of Missing Data

• برخورد با داده های از دست رفته: قسمت دوم - پر کردن یا حذف داده ها بر اساس ردیف ها Dealing with Missing Data : Part Two - Filling or Dropping data based on Rows

• مقابله با داده های از دست رفته: قسمت 3 - اصلاح داده ها بر اساس ستون ها Dealing with Missing Data : Part 3 - Fixing data based on Columns

• برخورد با داده های طبقه بندی شده - گزینه های رمزگذاری Dealing with Categorical Data - Encoding Options

مهندسی ویژگی و آماده سازی داده ها Feature Engineering and Data Preparation

• یادداشتی از خوزه در مورد مهندسی ویژگی و آماده سازی داده ها A note from Jose on Feature Engineering and Data Preparation

• مقدمه ای بر مهندسی ویژگی و آماده سازی داده ها Introduction to Feature Engineering and Data Preparation

• برخورد با موارد پرت Dealing with Outliers

• برخورد با داده های از دست رفته: بخش اول - ارزیابی داده های از دست رفته Dealing with Missing Data : Part One - Evaluation of Missing Data

• برخورد با داده های از دست رفته: قسمت دوم - پر کردن یا حذف داده ها بر اساس ردیف ها Dealing with Missing Data : Part Two - Filling or Dropping data based on Rows

• مقابله با داده های از دست رفته: قسمت 3 - اصلاح داده ها بر اساس ستون ها Dealing with Missing Data : Part 3 - Fixing data based on Columns

• برخورد با داده های طبقه بندی شده - گزینه های رمزگذاری Dealing with Categorical Data - Encoding Options

اعتبارسنجی متقاطع، جستجوی شبکه و پروژه رگرسیون خطی Cross Validation , Grid Search, and the Linear Regression Project

• بخش بررسی اجمالی و مقدمه Section Overview and Introduction

• اعتبار سنجی متقاطع - تست | تقسیم قطار Cross Validation - Test | Train Split

• اعتبار سنجی متقاطع - تست | اعتبار سنجی | تقسیم قطار Cross Validation - Test | Validation | Train Split

• Cross Validation - cross_val_score Cross Validation - cross_val_score

• Cross Validation - cross_validate Cross Validation - cross_validate

• جستجوی شبکه Grid Search

• بررسی اجمالی پروژه رگرسیون خطی Linear Regression Project Overview

• پروژه رگرسیون خطی - راه حل Linear Regression Project - Solutions

اعتبارسنجی متقاطع، جستجوی شبکه و پروژه رگرسیون خطی Cross Validation , Grid Search, and the Linear Regression Project

• بخش بررسی اجمالی و مقدمه Section Overview and Introduction

• اعتبار سنجی متقاطع - تست | تقسیم قطار Cross Validation - Test | Train Split

• اعتبار سنجی متقاطع - تست | اعتبار سنجی | تقسیم قطار Cross Validation - Test | Validation | Train Split

• Cross Validation - cross_val_score Cross Validation - cross_val_score

• Cross Validation - cross_validate Cross Validation - cross_validate

• جستجوی شبکه Grid Search

• بررسی اجمالی پروژه رگرسیون خطی Linear Regression Project Overview

• پروژه رگرسیون خطی - راه حل Linear Regression Project - Solutions

رگرسیون لجستیک Logistic Regression

• یادداشت اولیه در مورد دانلود .zip برای یادداشت های رگرسیون لجستیک Early Bird Note on Downloading .zip for Logistic Regression Notes

• مقدمه ای بر بخش رگرسیون لجستیک Introduction to Logistic Regression Section

• رگرسیون لجستیک - نظریه و شهود - بخش اول: تابع لجستیک Logistic Regression - Theory and Intuition - Part One: The Logistic Function

• رگرسیون لجستیک - نظریه و شهود - بخش دوم: خطی تا لجستیک Logistic Regression - Theory and Intuition - Part Two: Linear to Logistic

• رگرسیون لجستیک - نظریه و شهود - ریاضیات خطی تا لجستیک Logistic Regression - Theory and Intuition - Linear to Logistic Math

• رگرسیون لجستیک - نظریه و شهود - بهترین تناسب با حداکثر احتمال Logistic Regression - Theory and Intuition - Best fit with Maximum Likelihood

• رگرسیون لجستیک با Scikit-Learn - قسمت اول - EDA Logistic Regression with Scikit-Learn - Part One - EDA

• رگرسیون لجستیک با Scikit-Learn - قسمت دوم - آموزش مدل Logistic Regression with Scikit-Learn - Part Two - Model Training

• معیارهای طبقه بندی - ماتریس سردرگمی و دقت Classification Metrics - Confusion Matrix and Accuracy

• معیارهای طبقه بندی - دقیق، یادآوری، امتیاز F1 Classification Metrics - Precison, Recall, F1-Score

• معیارهای طبقه بندی - منحنی های ROC Classification Metrics - ROC Curves

• رگرسیون لجستیک با Scikit-Learn - قسمت سوم - ارزیابی عملکرد Logistic Regression with Scikit-Learn - Part Three - Performance Evaluation

• طبقه بندی چند طبقه با رگرسیون لجستیک - قسمت اول - داده و EDA Multi-Class Classification with Logistic Regression - Part One - Data and EDA

• طبقه بندی چند طبقه با رگرسیون لجستیک - قسمت دوم - مدل Multi-Class Classification with Logistic Regression - Part Two - Model

• بررسی اجمالی پروژه تمرین رگرسیون لجستیک Logistic Regression Exercise Project Overview

• تمرین پروژه رگرسیون لجستیک - راه حل Logistic Regression Project Exercise - Solutions

رگرسیون لجستیک Logistic Regression

• یادداشت اولیه در مورد دانلود .zip برای یادداشت های رگرسیون لجستیک Early Bird Note on Downloading .zip for Logistic Regression Notes

• مقدمه ای بر بخش رگرسیون لجستیک Introduction to Logistic Regression Section

• رگرسیون لجستیک - نظریه و شهود - بخش اول: تابع لجستیک Logistic Regression - Theory and Intuition - Part One: The Logistic Function

• رگرسیون لجستیک - نظریه و شهود - بخش دوم: خطی تا لجستیک Logistic Regression - Theory and Intuition - Part Two: Linear to Logistic

• رگرسیون لجستیک - نظریه و شهود - ریاضیات خطی تا لجستیک Logistic Regression - Theory and Intuition - Linear to Logistic Math

• رگرسیون لجستیک - نظریه و شهود - بهترین تناسب با حداکثر احتمال Logistic Regression - Theory and Intuition - Best fit with Maximum Likelihood

• رگرسیون لجستیک با Scikit-Learn - قسمت اول - EDA Logistic Regression with Scikit-Learn - Part One - EDA

• رگرسیون لجستیک با Scikit-Learn - قسمت دوم - آموزش مدل Logistic Regression with Scikit-Learn - Part Two - Model Training

• معیارهای طبقه بندی - ماتریس سردرگمی و دقت Classification Metrics - Confusion Matrix and Accuracy

• معیارهای طبقه بندی - دقیق، یادآوری، امتیاز F1 Classification Metrics - Precison, Recall, F1-Score

• معیارهای طبقه بندی - منحنی های ROC Classification Metrics - ROC Curves

• رگرسیون لجستیک با Scikit-Learn - قسمت سوم - ارزیابی عملکرد Logistic Regression with Scikit-Learn - Part Three - Performance Evaluation

• طبقه بندی چند طبقه با رگرسیون لجستیک - قسمت اول - داده و EDA Multi-Class Classification with Logistic Regression - Part One - Data and EDA

• طبقه بندی چند طبقه با رگرسیون لجستیک - قسمت دوم - مدل Multi-Class Classification with Logistic Regression - Part Two - Model

• بررسی اجمالی پروژه تمرین رگرسیون لجستیک Logistic Regression Exercise Project Overview

• تمرین پروژه رگرسیون لجستیک - راه حل Logistic Regression Project Exercise - Solutions

KNN - K نزدیکترین همسایه ها KNN - K Nearest Neighbors

• مقدمه ای بر بخش KNN Introduction to KNN Section

• طبقه بندی KNN - نظریه و شهود KNN Classification - Theory and Intuition

• کد نویسی KNN با پایتون - قسمت اول KNN Coding with Python - Part One

• کد نویسی KNN با پایتون - قسمت دوم - انتخاب K KNN Coding with Python - Part Two - Choosing K

• نمای کلی تمرین پروژه طبقه بندی KNN KNN Classification Project Exercise Overview

• راه حل های تمرین پروژه طبقه بندی KNN KNN Classification Project Exercise Solutions

KNN - K نزدیکترین همسایه ها KNN - K Nearest Neighbors

• مقدمه ای بر بخش KNN Introduction to KNN Section

• طبقه بندی KNN - نظریه و شهود KNN Classification - Theory and Intuition

• کد نویسی KNN با پایتون - قسمت اول KNN Coding with Python - Part One

• کد نویسی KNN با پایتون - قسمت دوم - انتخاب K KNN Coding with Python - Part Two - Choosing K

• نمای کلی تمرین پروژه طبقه بندی KNN KNN Classification Project Exercise Overview

• راه حل های تمرین پروژه طبقه بندی KNN KNN Classification Project Exercise Solutions

ماشین‌های بردار پشتیبانی Support Vector Machines

• مقدمه ای بر پشتیبان ماشین های برداری Introduction to Support Vector Machines

• تاریخچه ماشین های بردار پشتیبانی History of Support Vector Machines

• SVM - نظریه و شهود - ابرصفحه ها و حاشیه ها SVM - Theory and Intuition - Hyperplanes and Margins

• SVM - نظریه و شهود - شهود هسته SVM - Theory and Intuition - Kernel Intuition

• SVM - نظریه و شهود - ترفند هسته و ریاضیات SVM - Theory and Intuition - Kernel Trick and Mathematics

• SVM با Scikit-Learn و Python - طبقه بندی بخش اول SVM with Scikit-Learn and Python - Classification Part One

• SVM با Scikit-Learn و Python - طبقه بندی قسمت دوم SVM with Scikit-Learn and Python - Classification Part Two

• SVM با Scikit-Learn و Python - وظایف رگرسیون SVM with Scikit-Learn and Python - Regression Tasks

• نمای کلی پروژه ماشین بردار پشتیبانی Support Vector Machine Project Overview

• راه حل های پروژه ماشین برداری پشتیبانی Support Vector Machine Project Solutions

ماشین‌های بردار پشتیبانی Support Vector Machines

• مقدمه ای بر پشتیبان ماشین های برداری Introduction to Support Vector Machines

• تاریخچه ماشین های بردار پشتیبانی History of Support Vector Machines

• SVM - نظریه و شهود - ابرصفحه ها و حاشیه ها SVM - Theory and Intuition - Hyperplanes and Margins

• SVM - نظریه و شهود - شهود هسته SVM - Theory and Intuition - Kernel Intuition

• SVM - نظریه و شهود - ترفند هسته و ریاضیات SVM - Theory and Intuition - Kernel Trick and Mathematics

• SVM با Scikit-Learn و Python - طبقه بندی بخش اول SVM with Scikit-Learn and Python - Classification Part One

• SVM با Scikit-Learn و Python - طبقه بندی قسمت دوم SVM with Scikit-Learn and Python - Classification Part Two

• SVM با Scikit-Learn و Python - وظایف رگرسیون SVM with Scikit-Learn and Python - Regression Tasks

• نمای کلی پروژه ماشین بردار پشتیبانی Support Vector Machine Project Overview

• راه حل های پروژه ماشین برداری پشتیبانی Support Vector Machine Project Solutions

روش‌های مبتنی بر درخت: یادگیری درخت تصمیم Tree Based Methods: Decision Tree Learning

• مقدمه ای بر روش های درختی Introduction to Tree Based Methods

• درخت تصمیم - تاریخچه Decision Tree - History

• درخت تصمیم - اصطلاحات Decision Tree - Terminology

• درخت تصمیم - درک ناخالصی جینی Decision Tree - Understanding Gini Impurity

• ساخت درختان تصمیم با ناخالصی جینی - قسمت اول Constructing Decision Trees with Gini Impurity - Part One

• ساخت درختان تصمیم با ناخالصی جینی - قسمت دوم Constructing Decision Trees with Gini Impurity - Part Two

• کدگذاری درختان تصمیم - بخش اول - داده ها Coding Decision Trees - Part One - The Data

• کدگذاری درختان تصمیم - قسمت دوم - ایجاد مدل Coding Decision Trees - Part Two -Creating the Model

روش‌های مبتنی بر درخت: یادگیری درخت تصمیم Tree Based Methods: Decision Tree Learning

• مقدمه ای بر روش های درختی Introduction to Tree Based Methods

• درخت تصمیم - تاریخچه Decision Tree - History

• درخت تصمیم - اصطلاحات Decision Tree - Terminology

• درخت تصمیم - درک ناخالصی جینی Decision Tree - Understanding Gini Impurity

• ساخت درختان تصمیم با ناخالصی جینی - قسمت اول Constructing Decision Trees with Gini Impurity - Part One

• ساخت درختان تصمیم با ناخالصی جینی - قسمت دوم Constructing Decision Trees with Gini Impurity - Part Two

• کدگذاری درختان تصمیم - بخش اول - داده ها Coding Decision Trees - Part One - The Data

• کدگذاری درختان تصمیم - قسمت دوم - ایجاد مدل Coding Decision Trees - Part Two -Creating the Model

جنگل های تصادفی Random Forests

• مقدمه ای بر بخش جنگل های تصادفی Introduction to Random Forests Section

• جنگل های تصادفی - تاریخچه و انگیزه Random Forests - History and Motivation

• جنگل های تصادفی - فراپارامترهای کلیدی Random Forests - Key Hyperparameters

• جنگل های تصادفی - تعداد برآوردگرها و ویژگی ها در زیر مجموعه ها Random Forests - Number of Estimators and Features in Subsets

• جنگل‌های تصادفی - خطای راه‌اندازی و خارج از کیف Random Forests - Bootstrapping and Out-of-Bag Error

• طبقه بندی کدگذاری با طبقه بندی جنگل تصادفی - قسمت اول Coding Classification with Random Forest Classifier - Part One

• طبقه بندی کدگذاری با طبقه بندی جنگل تصادفی - قسمت دوم Coding Classification with Random Forest Classifier - Part Two

• رگرسیون کدگذاری با رگرسیون جنگل تصادفی - قسمت اول - داده Coding Regression with Random Forest Regressor - Part One - Data

• رگرسیون کدگذاری با رگرسیون تصادفی جنگل - قسمت دوم - مدل های پایه Coding Regression with Random Forest Regressor - Part Two - Basic Models

• رگرسیون کدگذاری با رگرسیون جنگل تصادفی - قسمت سوم - چند جمله ای Coding Regression with Random Forest Regressor - Part Three - Polynomials

• رگرسیون کدگذاری با رگرسیون جنگل تصادفی - قسمت چهارم - مدل های پیشرفته Coding Regression with Random Forest Regressor - Part Four - Advanced Models

جنگل های تصادفی Random Forests

• مقدمه ای بر بخش جنگل های تصادفی Introduction to Random Forests Section

• جنگل های تصادفی - تاریخچه و انگیزه Random Forests - History and Motivation

• جنگل های تصادفی - فراپارامترهای کلیدی Random Forests - Key Hyperparameters

• جنگل های تصادفی - تعداد برآوردگرها و ویژگی ها در زیر مجموعه ها Random Forests - Number of Estimators and Features in Subsets

• جنگل‌های تصادفی - خطای راه‌اندازی و خارج از کیف Random Forests - Bootstrapping and Out-of-Bag Error

• طبقه بندی کدگذاری با طبقه بندی جنگل تصادفی - قسمت اول Coding Classification with Random Forest Classifier - Part One

• طبقه بندی کدگذاری با طبقه بندی جنگل تصادفی - قسمت دوم Coding Classification with Random Forest Classifier - Part Two

• رگرسیون کدگذاری با رگرسیون جنگل تصادفی - قسمت اول - داده Coding Regression with Random Forest Regressor - Part One - Data

• رگرسیون کدگذاری با رگرسیون تصادفی جنگل - قسمت دوم - مدل های پایه Coding Regression with Random Forest Regressor - Part Two - Basic Models

• رگرسیون کدگذاری با رگرسیون جنگل تصادفی - قسمت سوم - چند جمله ای Coding Regression with Random Forest Regressor - Part Three - Polynomials

• رگرسیون کدگذاری با رگرسیون جنگل تصادفی - قسمت چهارم - مدل های پیشرفته Coding Regression with Random Forest Regressor - Part Four - Advanced Models

روش های تقویت Boosting Methods

• مقدمه ای بر بخش تقویت Introduction to Boosting Section

• روش های تقویت - انگیزه و تاریخچه Boosting Methods - Motivation and History

• تئوری و شهود AdaBoost AdaBoost Theory and Intuition

• کدنویسی AdaBoost قسمت اول - داده ها AdaBoost Coding Part One - The Data

• کدنویسی AdaBoost قسمت دوم - مدل AdaBoost Coding Part Two - The Model

• نظریه تقویت گرادیان Gradient Boosting Theory

• برنامه نویسی افزایش گرادیان Gradient Boosting Coding Walkthrough

روش های تقویت Boosting Methods

• مقدمه ای بر بخش تقویت Introduction to Boosting Section

• روش های تقویت - انگیزه و تاریخچه Boosting Methods - Motivation and History

• تئوری و شهود AdaBoost AdaBoost Theory and Intuition

• کدنویسی AdaBoost قسمت اول - داده ها AdaBoost Coding Part One - The Data

• کدنویسی AdaBoost قسمت دوم - مدل AdaBoost Coding Part Two - The Model

• نظریه تقویت گرادیان Gradient Boosting Theory

• برنامه نویسی افزایش گرادیان Gradient Boosting Coding Walkthrough

پروژه Capstone یادگیری تحت نظارت - تحلیل کوهورت و روش‌های مبتنی بر درخت Supervised Learning Capstone Project - Cohort Analysis and Tree Based Methods

• مقدمه ای بر پروژه Capstone یادگیری تحت نظارت Introduction to Supervised Learning Capstone Project

• بررسی راه حل - پروژه یادگیری نظارت شده - داده و EDA Solution Walkthrough - Supervised Learning Project - Data and EDA

• بررسی راه حل - پروژه آموزشی تحت نظارت - تحلیل کوهورت Solution Walkthrough - Supervised Learning Project - Cohort Analysis

• راه حل - پروژه آموزشی تحت نظارت - مدل های درختی Solution Walkthrough - Supervised Learning Project - Tree Models

پروژه Capstone یادگیری تحت نظارت - تحلیل کوهورت و روش‌های مبتنی بر درخت Supervised Learning Capstone Project - Cohort Analysis and Tree Based Methods

• مقدمه ای بر پروژه Capstone یادگیری تحت نظارت Introduction to Supervised Learning Capstone Project

• بررسی راه حل - پروژه یادگیری نظارت شده - داده و EDA Solution Walkthrough - Supervised Learning Project - Data and EDA

• بررسی راه حل - پروژه آموزشی تحت نظارت - تحلیل کوهورت Solution Walkthrough - Supervised Learning Project - Cohort Analysis

• راه حل - پروژه آموزشی تحت نظارت - مدل های درختی Solution Walkthrough - Supervised Learning Project - Tree Models

طبقه بندی ساده بیز و پردازش زبان طبیعی (یادگیری تحت نظارت) Naive Bayes Classification and Natural Language Processing (Supervised Learning)

• مقدمه ای بر NLP و بخش Naive Bayes Introduction to NLP and Naive Bayes Section

• الگوریتم ساده بیز - قسمت اول - قضیه بیز Naive Bayes Algorithm - Part One - Bayes Theorem

• الگوریتم ساده بیز - قسمت دوم - الگوریتم مدل Naive Bayes Algorithm - Part Two - Model Algorithm

• استخراج ویژگی از متن - قسمت اول - نظریه و شهود Feature Extraction from Text - Part One - Theory and Intuition

• استخراج ویژگی از متن - کدگذاری شمارش برداری به صورت دستی Feature Extraction from Text - Coding Count Vectorization Manually

• استخراج ویژگی از متن - کدنویسی با Scikit-Learn Feature Extraction from Text - Coding with Scikit-Learn

• پردازش زبان طبیعی - طبقه بندی متن - قسمت اول Natural Language Processing - Classification of Text - Part One

• پردازش زبان طبیعی - طبقه بندی متن - قسمت دوم Natural Language Processing - Classification of Text - Part Two

• بررسی اجمالی تمرین پروژه طبقه بندی متن Text Classification Project Exercise Overview

• راه حل های تمرین پروژه طبقه بندی متن Text Classification Project Exercise Solutions

طبقه بندی ساده بیز و پردازش زبان طبیعی (یادگیری تحت نظارت) Naive Bayes Classification and Natural Language Processing (Supervised Learning)

• مقدمه ای بر NLP و بخش Naive Bayes Introduction to NLP and Naive Bayes Section

• الگوریتم ساده بیز - قسمت اول - قضیه بیز Naive Bayes Algorithm - Part One - Bayes Theorem

• الگوریتم ساده بیز - قسمت دوم - الگوریتم مدل Naive Bayes Algorithm - Part Two - Model Algorithm

• استخراج ویژگی از متن - قسمت اول - نظریه و شهود Feature Extraction from Text - Part One - Theory and Intuition

• استخراج ویژگی از متن - کدگذاری شمارش برداری به صورت دستی Feature Extraction from Text - Coding Count Vectorization Manually

• استخراج ویژگی از متن - کدنویسی با Scikit-Learn Feature Extraction from Text - Coding with Scikit-Learn

• پردازش زبان طبیعی - طبقه بندی متن - قسمت اول Natural Language Processing - Classification of Text - Part One

• پردازش زبان طبیعی - طبقه بندی متن - قسمت دوم Natural Language Processing - Classification of Text - Part Two

• بررسی اجمالی تمرین پروژه طبقه بندی متن Text Classification Project Exercise Overview

• راه حل های تمرین پروژه طبقه بندی متن Text Classification Project Exercise Solutions

یادگیری بدون نظارت Unsupervised Learning

• مروری بر یادگیری بدون نظارت Unsupervised Learning Overview

یادگیری بدون نظارت Unsupervised Learning

• مروری بر یادگیری بدون نظارت Unsupervised Learning Overview

K-Means Clustering K-Means Clustering

• مقدمه ای بر بخش K-Means Clustering Introduction to K-Means Clustering Section

• نمای کلی خوشه بندی Clustering General Overview

• نظریه خوشه بندی K-Means K-Means Clustering Theory

• K-Means Clustering - کدگذاری قسمت اول K-Means Clustering - Coding Part One

• K-Means Clustering Coding قسمت دوم K-Means Clustering Coding Part Two

• K-Means Clustering Coding قسمت سوم K-Means Clustering Coding Part Three

• K-Means Color Quantization - قسمت اول K-Means Color Quantization - Part One

• K-Means Color Quantization - قسمت دوم K-Means Color Quantization - Part Two

• نمای کلی تمرین خوشه بندی K-Means K-Means Clustering Exercise Overview

• راه حل تمرین خوشه بندی K-Means - قسمت اول K-Means Clustering Exercise Solution - Part One

• راه حل تمرین خوشه بندی K-Means - قسمت دوم K-Means Clustering Exercise Solution - Part Two

• راه حل تمرین خوشه بندی K-Means - قسمت سوم K-Means Clustering Exercise Solution - Part Three

K-Means Clustering K-Means Clustering

• مقدمه ای بر بخش K-Means Clustering Introduction to K-Means Clustering Section

• نمای کلی خوشه بندی Clustering General Overview

• نظریه خوشه بندی K-Means K-Means Clustering Theory

• K-Means Clustering - کدگذاری قسمت اول K-Means Clustering - Coding Part One

• K-Means Clustering Coding قسمت دوم K-Means Clustering Coding Part Two

• K-Means Clustering Coding قسمت سوم K-Means Clustering Coding Part Three

• K-Means Color Quantization - قسمت اول K-Means Color Quantization - Part One

• K-Means Color Quantization - قسمت دوم K-Means Color Quantization - Part Two

• نمای کلی تمرین خوشه بندی K-Means K-Means Clustering Exercise Overview

• راه حل تمرین خوشه بندی K-Means - قسمت اول K-Means Clustering Exercise Solution - Part One

• راه حل تمرین خوشه بندی K-Means - قسمت دوم K-Means Clustering Exercise Solution - Part Two

• راه حل تمرین خوشه بندی K-Means - قسمت سوم K-Means Clustering Exercise Solution - Part Three

خوشه بندی سلسله مراتبی Hierarchical Clustering

• مقدمه ای بر خوشه بندی سلسله مراتبی Introduction to Hierarchical Clustering

• خوشه بندی سلسله مراتبی - نظریه و شهود Hierarchical Clustering - Theory and Intuition

• خوشه بندی سلسله مراتبی - کدگذاری قسمت اول - داده ها و تجسم Hierarchical Clustering - Coding Part One - Data and Visualization

• خوشه بندی سلسله مراتبی - کدگذاری قسمت دوم - Scikit-Learn Hierarchical Clustering - Coding Part Two - Scikit-Learn

خوشه بندی سلسله مراتبی Hierarchical Clustering

• مقدمه ای بر خوشه بندی سلسله مراتبی Introduction to Hierarchical Clustering

• خوشه بندی سلسله مراتبی - نظریه و شهود Hierarchical Clustering - Theory and Intuition

• خوشه بندی سلسله مراتبی - کدگذاری قسمت اول - داده ها و تجسم Hierarchical Clustering - Coding Part One - Data and Visualization

• خوشه بندی سلسله مراتبی - کدگذاری قسمت دوم - Scikit-Learn Hierarchical Clustering - Coding Part Two - Scikit-Learn

DBSCAN - خوشه بندی فضایی مبتنی بر چگالی برنامه های کاربردی با نویز DBSCAN - Density-based spatial clustering of applications with noise

• مقدمه ای بر بخش DBSCAN Introduction to DBSCAN Section

• DBSCAN - نظریه و شهود DBSCAN - Theory and Intuition

• DBSCAN در مقابل K-Means Clustering DBSCAN versus K-Means Clustering

• DBSCAN - تئوری فراپارامتر DBSCAN - Hyperparameter Theory

• DBSCAN - روشهای تنظیم فراپارامتر DBSCAN - Hyperparameter Tuning Methods

• DBSCAN - بررسی اجمالی تمرین پروژه Outlier DBSCAN - Outlier Project Exercise Overview

• DBSCAN - راه حل های تمرین پروژه Outlier DBSCAN - Outlier Project Exercise Solutions

DBSCAN - خوشه بندی فضایی مبتنی بر چگالی برنامه های کاربردی با نویز DBSCAN - Density-based spatial clustering of applications with noise

• مقدمه ای بر بخش DBSCAN Introduction to DBSCAN Section

• DBSCAN - نظریه و شهود DBSCAN - Theory and Intuition

• DBSCAN در مقابل K-Means Clustering DBSCAN versus K-Means Clustering

• DBSCAN - تئوری فراپارامتر DBSCAN - Hyperparameter Theory

• DBSCAN - روشهای تنظیم فراپارامتر DBSCAN - Hyperparameter Tuning Methods

• DBSCAN - بررسی اجمالی تمرین پروژه Outlier DBSCAN - Outlier Project Exercise Overview

• DBSCAN - راه حل های تمرین پروژه Outlier DBSCAN - Outlier Project Exercise Solutions

PCA - تجزیه و تحلیل مؤلفه های اصلی و یادگیری چندگانه PCA - Principal Component Analysis and Manifold Learning

• مقدمه ای بر تجزیه و تحلیل مؤلفه های اصلی Introduction to Principal Component Analysis

• PCA نظریه و شهود - بخش اول PCA Theory and Intuition - Part One

• PCA نظریه و شهود - بخش دوم PCA Theory and Intuition - Part Two

• PCA - پیاده سازی دستی در پایتون PCA - Manual Implementation in Python

• PCA - SciKit-Learn PCA - SciKit-Learn

• PCA - بررسی اجمالی تمرینات پروژه PCA - Project Exercise Overview

• PCA - Project Exercise Solution PCA - Project Exercise Solution

PCA - تجزیه و تحلیل مؤلفه های اصلی و یادگیری چندگانه PCA - Principal Component Analysis and Manifold Learning

• مقدمه ای بر تجزیه و تحلیل مؤلفه های اصلی Introduction to Principal Component Analysis

• PCA نظریه و شهود - بخش اول PCA Theory and Intuition - Part One

• PCA نظریه و شهود - بخش دوم PCA Theory and Intuition - Part Two

• PCA - پیاده سازی دستی در پایتون PCA - Manual Implementation in Python

• PCA - SciKit-Learn PCA - SciKit-Learn

• PCA - بررسی اجمالی تمرینات پروژه PCA - Project Exercise Overview

• PCA - Project Exercise Solution PCA - Project Exercise Solution

استقرار مدل Model Deployment

• نمای کلی بخش استقرار مدل Model Deployment Section Overview

• ملاحظات استقرار مدل Model Deployment Considerations

• ماندگاری مدل Model Persistence

• استقرار مدل به عنوان یک API - نمای کلی Model Deployment as an API - General Overview

• یادداشت در مورد ویدیوی آینده Note on Upcoming Video

• مدل API - ایجاد اسکریپت Model API - Creating the Script

• تست API Testing the API

استقرار مدل Model Deployment

• نمای کلی بخش استقرار مدل Model Deployment Section Overview

• ملاحظات استقرار مدل Model Deployment Considerations

• ماندگاری مدل Model Persistence

• استقرار مدل به عنوان یک API - نمای کلی Model Deployment as an API - General Overview

• یادداشت در مورد ویدیوی آینده Note on Upcoming Video

• مدل API - ایجاد اسکریپت Model API - Creating the Script

• تست API Testing the API