آموزش یادگیری ماشین با PySpark - آخرین آپدیت

مقدمه‌ای بر یادگیری ماشین با PySpark Introduction to PySpark Machine Learning

• معرفی دوره: یادگیری ماشین با PySpark Course Introduction: Machine Learning with PySpark

• داده‌های بزرگ (Big Data) و سیستم‌های توزیع‌شده BigData and Distributed Systems

• آشنایی با MLlib Introduction to MLlib

• ویژگی‌های کلیدی و کاربردهای MLlib Key Features and Applications of MLlib

• یادگیری ماشین چیست؟ What is Machine Learning

• انواع یادگیری ماشین Types of Machine Learning

• کاربردهای یادگیری ماشین Applications of Machine Learning

• چرا برای یادگیری ماشین از PySpark استفاده کنیم؟ Why PySpark for ML

• یادگیری ماشین نظارت‌شده Supervised Machine Learning

• کاربردهای یادگیری ماشین نظارت‌شده Applications of Supervised Machine Learning

• یادگیری ماشین نظارت‌نشده Unsupervised Machine Learning

• اهمیت یادگیری ماشین نظارت‌نشده Significance of Unsupervised Machine Learning

• یادگیری ماشین نیمه‌نظارت‌شده Semi-supervised Machine Learning

• اهمیت یادگیری ماشین نیمه‌نظارت‌شده Significance of Semi-supervised Machine Learning

• خط لوله‌های یادگیری ماشین (ML Pipelines) Machine Learning Pipelines

• مزایای ML Pipeline Benefits of ML Pipeline

• رگرسیون خطی Linear Regression

• مورد کاربرد رگرسیون خطی Linear Regression Use case

• پیاده‌سازی رگرسیون خطی Implementing Linear Regression

• جذب و ورود داده‌ها (Data Ingestion) Data Ingestion

• رگرسیون لجستیک Logistic Regression

• کاربردهای رگرسیون لجستیک Applications of Logistic Regression

• مفاهیم کلیدی رگرسیون لجستیک Key Concepts of Logistic Regression

• مورد کاربرد رگرسیون لجستیک Logistic Regression Use case

• ارزیابی رگرسیون لجستیک Evaluating Logistic Regression

• درخت‌های تصمیم Decision Trees

• مورد کاربرد درخت‌های تصمیم Decision Trees Use case

یادگیری ماشین پیشرفته با PySpark Advanced PySpark Machine Learning

• یادگیری نظارت‌نشده چیست؟ What is Unsupervised Learning

• کاربردهای یادگیری نظارت‌نشده Applications of Unsupervised Learning

• تفاوت الگوریتم‌ها در یادگیری نظارت‌شده و نظارت‌نشده How Algorithms differ between Supervised and Unsupervised

• الگوریتم‌های یادگیری ماشین نظارت‌نشده Unsupervised Machine Learning Algorithms

• معیارهای فاصله (Distance metrics) چیستند؟ What is Distance metrics

• اهمیت معیارهای فاصله Significance of Distance metrics

• انواع معیارهای فاصله Types of Distance metrics

• تکنیک‌های برچسب‌گذاری Labeling techniques

• اهمیت برچسب‌گذاری داده‌ها Significance of Data Labeling

• کدگذاری One-hot One hot encoding

• خوشه‌بندی (Clustering) چیست؟ What is Clustering

• انواع خوشه‌بندی Types of Clustering

• خوشه‌بندی K-means K-means Clustering

• کاربردهای خوشه‌بندی K-means Applications of K-means Clustering

• روش آرنج (Elbow method) Elbow method

• روش Silhouette Silhouette Method

• نمایش عملی خوشه‌بندی K-means Demonstration of K-means Clustering

• ارزیابی مدل برای خوشه‌بندی K-means Model Evaluation for K-means Clustering

• استخراج قوانین انجمنی (Association Rule Mining) چیست؟ What is Association Rule Mining

• پیاده‌سازی FP-Growth Implementing of FP Growth

• مفاهیم پایه استخراج قوانین انجمنی Basic concepts of Association Rule Mining

• مفاهیم Lift و مجموعه‌های آیتم‌های پرتکرار Lift and Frequent Itemsets

• کاربردهای استخراج قوانین انجمنی Applications of Association Rule Mining

• موردهای کاربردی استخراج قوانین انجمنی Use cases of Association Rule Mining

• نمایش عملی استخراج قوانین انجمنی Demonstration of Association Rule Mining

• استخراج قوانین انجمنی با استفاده از FP-Growth Association Rule Mining using FP Growth

کاربردها و مطالعات موردی Applications and Case-Studies

• ارزیابی مدل‌های یادگیری ماشین Evaluating ML Models

• مراحل ارزیابی مدل‌ها Steps for Evaluating Models

• معیار RMSE RMSE

• معیار R-squared R-squared

• اهمیت R-squared Significance of R-Squared

• ذخیره و بارگذاری مدل‌ها Saving and Loading Models

• چشم‌انداز آینده MLlib Future scope of MLlib

• کاربردها در رسانه‌های اجتماعی Applications of Social Media

• کاربردها در صنعت سرگرمی Applications of Entertainment

• کاربردها در کسب‌وکار Applications of Business

• کاربردها در امور مالی Applications of Finance

• پیش‌بینی ریزش مشتری (Customer Churn) Customer churn prediction

• آموزش مدل برای پیش‌بینی ریزش مشتری Model Training for Customer Churn Prediction

• ارزیابی مدل برای پیش‌بینی ریزش مشتری Model Evaluation for Customer Churn Prediction

• تحلیل سبد خرید (Market Basket Analysis) Market Basket Analysis

• استفاده از FP-Growth برای تحلیل سبد خرید FP Growth for Market Basket Analysis

• نگهداری پیش‌بینانه (Predictive Maintenance) Predictive Maintenance

• ارزیابی مدل در نگهداری پیش‌بینانه Model Evaluation in Predictive Maintainance

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

• جمع‌بندی: یادگیری ماشین با PySpark Summary: Machine Learning with PySpark