آموزش دوره جامع یادگیری ماشین و یادگیری عمیق در یک ترم - آخرین آپدیت

سرفصل ها و درس ها

معرفی و مطالب دوره Introduction and Course Material

• معرفی دوره Introduction of the course

• مطالب دوره Course Material

• چگونه در این دوره موفق شویم How to succeed in this course

آشنایی با یادگیری ماشین و یادگیری عمیق Introduction to Machine Learning and Deep Learning

• معرفی بخش Introduction of the Section

• هوش چیست؟ What in Intelligence?

• یادگیری ماشین Machine Learning

• یادگیری ماشین نظارت‌شده Supervised Machine Learning

• یادگیری ماشین بدون نظارت Unsupervised Machine Learning

• یادگیری عمیق Deep Learning

آشنایی با گوگل کولب Introduction to Google Colab

• معرفی بخش Introduction of the Section

• وارد کردن مجموعه داده در گوگل کولب Importing Dataset in Google Colab

• وارد کردن و نمایش تصویر در گوگل کولب Importing and Displaying Image in Google Colab

• وارد کردن مجموعه‌های داده بیشتر Importing more datasets

• آپلود مطالب دوره در گوگل درایو خود Uploading Course Material on your Google Drive

دوره فشرده پایتون Python Crash Course

• معرفی بخش Introduction of the Section

• محاسبات ریاضی با پایتون Arithmetic With Python

• مقایسه و عملیات منطقی Comparison and Logical Operations

• عبارات شرطی Conditional Statements

• کار با آرایه‌های نامپای-بخش01 Dealing With Numpy Arrays-Part01

• کار با آرایه‌های نامپای-بخش02 Dealing With Numpy Arrays-Part02

• کار با آرایه‌های نامپای-بخش03 Dealing With Numpy Arrays-Part03

• رسم نمودار و مصورسازی-بخش01 Plotting and Visualization-Part01

• رسم نمودار و مصورسازی-بخش02 Plotting and Visualization-Part02

• رسم نمودار و مصورسازی-بخش03 Plotting and Visualization-Part03

• رسم نمودار و مصورسازی-بخش04 Plotting and Visualization-Part04

• لیست‌ها در پایتون Lists in Python

• حلقه‌های For-بخش01 For Loops-Part01

• حلقه‌های For-بخش02 For Loops-Part02

• رشته‌ها Strings

• قالب‌بندی چاپ با رشته‌ها Print Formatting With Strings

• دیکشنری‌ها-بخش01 Dictionaries-Part01

• دیکشنری‌ها-بخش02 Dictionaries-Part02

• توابع در پایتون-بخش01 Functions in Python-Part01

• توابع در پایتون-بخش02 Functions in Python-Part02

• پانداس-بخش01 Pandas-Part01

• پانداس-بخش02 Pandas-Part02

• پانداس-بخش03 Pandas-Part03

• پانداس-بخش04 Pandas-Part04

• سیبورن-بخش01 Seaborn-Part01

• سیبورن-بخش02 Seaborn-Part02

• سیبورن-بخش03 Seaborn-Part03

• تاپل‌ها Tuples

• کلاس‌ها در پایتون Classes in Python

پیش‌پردازش داده Data Preprocessing

• معرفی بخش Introduction of the Section

• نیاز به پیش‌پردازش داده Need of Data Preprocessing

• نرمال‌سازی داده و مقیاس‌بندی Min-Max Data Normalization and Min-Max Scaling

• پروژه01-نرمال‌سازی داده و مقیاس‌بندی Min-Max-بخش01 Project01-Data Normalization and Min-Max Scaling-Part01

• پروژه01-نرمال‌سازی داده و مقیاس‌بندی Min-Max-بخش02 Project01-Data Normalization and Min-Max Scaling-Part02

• استانداردسازی داده Data Standardization

• پروژه02-استانداردسازی داده Project02-Data Standardization

• پروژه03-کار با مقادیر گمشده Project03-Dealing With Missing Values

• پروژه04-کار با ویژگی‌های دسته‌بندی‌شده Project04-Dealing With Categorical Features

• پروژه05-مهندسی ویژگی Project05-Feature Engineering

• پروژه06-مهندسی ویژگی با روش پنجره Project06-Feature Engineering by Window Method

یادگیری ماشین نظارت‌شده Supervised Machine Learning

• یادگیری ماشین نظارت‌شده Supervised Machine Learning

تحلیل رگرسیون Regression Analysis

• معرفی بخش Introduction of the Section

• منشاء رگرسیون Origin of the Regression

• تعریف رگرسیون Definition of Regression

• نیاز از رگرسیون Requirement from Regression

• رگرسیون خطی ساده Simple Linear Regression

• رگرسیون خطی چندگانه Multiple Linear Regression

• مقادیر هدف و پیش‌بینی‌شده Target and Predicted Values

• تابع زیان Loss Function

• رگرسیون با روش حداقل مربعات Regression With Least Square Method

• روش حداقل مربعات با مثال عددی Least Square Method With Numerical Example

• معیارهای ارزیابی برای رگرسیون Evaluation Metrics for Regression

• پروژه01-رگرسیون ساده-بخش01 Project01-Simple Regression-Part01

• پروژه01-رگرسیون ساده-بخش02 Project01-Simple Regression-Part02

• پروژه01-رگرسیون ساده-بخش03 Project01-Simple Regression-Part03

• پروژه02-رگرسیون چندگانه-بخش01 Project02-Multiple Regression-Part01

• پروژه02-رگرسیون چندگانه-بخش02 Project02-Multiple Regression-Part02

• پروژه02-رگرسیون چندگانه-بخش03 Project02-Multiple Regression-Part03

• پروژه03-رگرسیون چندگانه دیگر Project03-Another Multiple Regression

• رگرسیون با گرادیان کاهشی Regression by Gradient Descent

• پروژه04-رگرسیون ساده با گرادیان کاهشی Project04-Simple Regression With Gradient Descent

• پروژه05-رگرسیون چندگانه با گرادیان کاهشی Project05-Multiple Regression With Gradient Descent

• رگرسیون چندجمله‌ای Polynomial Regression

• پروژه06-رگرسیون چندجمله‌ای Project06-Polynomial Regression

• اعتبارسنجی متقابل Cross-validation

• پروژه07-اعتبارسنجی متقابل Project07-Cross-validation

• برازش ناقص و بیش‌برازش (موازنه Bias-Variance) Underfitting and Overfitting ( Bias-Variance Tradeoff )

• مفهوم منظم‌سازی Concept of Regularization

• رگرسیون Ridge یا منظم‌سازی L2 Ridge Regression OR L2 Regularization

• رگرسیون Lasso یا منظم‌سازی L1 Lasso Regression OR L1 Regularization

• مقایسه رگرسیون Ridge و Lasso Comparing Ridge and Lasso Regression

• منظم‌سازی Elastic Net Elastic Net Regularization

• پروژه08-منظم‌سازی‌ها Project08-Regularizations

• اعتبارسنجی متقابل جستجوی شبکه‌ای Grid search Cross-validation

• پروژه09-اعتبارسنجی متقابل جستجوی شبکه‌ای Project09-Grid Search Cross-validation

رگرسیون لجستیک Logistic Regression

• معرفی بخش Introduction of the Section

• مبانی رگرسیون لجستیک Fundamentals of Logistic Regression

• محدودیت‌های مدل‌های رگرسیون Limitations of Regression Models

• تبدیل رگرسیون خطی به رگرسیون لجستیک Transforming Linear Regression into Logistic Regression

• پروژه01-به دست آوردن احتمالات کلاس-بخش01 Project01-Getting Class Probabilities-Part01

• پروژه01-به دست آوردن احتمالات کلاس-بخش02 Project01-Getting Class Probabilities-Part02

• تابع زیان Loss Function

• ارزیابی مدل-ماتریس درهم‌ریختگی Model Evaluation-Confusion Matrix

• دقت، صحت، بازخوانی و امتیاز F1 Accuracy, Precision, Recall and F1-Score

• منحنی‌های ROC و مساحت زیر ROC ROC Curves and Area Under ROC

• پروژه02-ارزیابی مدل رگرسیون لجستیک Project02-Evaluating Logistic Regression Model

• پروژه03-اعتبارسنجی متقابل با مدل رگرسیون لجستیک Project03-Cross-validation With Logistic Regression Model

• پروژه04-طبقه‌بندی چند کلاسه Project04-Multiclass Classification

• پروژه05-طبقه‌بندی با مجموعه داده چالش‌برانگیز-بخش01 Project05-Classification With Challenging Dataset-Part01

• پروژه05-طبقه‌بندی با مجموعه داده چالش‌برانگیز-بخش02 Project05-Classification With Challenging Dataset-Part02

• پروژه05-طبقه‌بندی با مجموعه داده چالش‌برانگیز-بخش03 Project05-Classification With Challenging Dataset-Part03

• اعتبارسنجی متقابل جستجوی شبکه‌ای با رگرسیون لجستیک Grid Search Cross-validation With Logistic Regression

K-نزدیک‌ترین همسایه (KNN) K-Nearest Neighbors ( KNN )

• معرفی بخش Introduction of the Section

• شهود پشت KNN Intuition Behind KNN

• مراحل الگوریتم KNN Steps of KNN Algorithm

• مثال عددی در الگوریتم KNN Numerical Example on KNN Algorithm

• پروژه01-الگوریتم KNN-بخش01 Project01-KNN Algorithm-Part01

• پروژه01-الگوریتم KNN-بخش02 Project01-KNN Algorithm-Part02

• یافتن مقدار بهینه K Finding Optimal Value of K

• پروژه02-پیاده‌سازی KNN Project02-Implementing KNN

• پروژه03-پیاده‌سازی KNN Project03-Implementing KNN

• پروژه04-پیاده‌سازی KNN Project04-Implementing KNN

• مزایا و معایب KNN Advantages and disadvantages of KNN

قضیه بیز و طبقه‌بند بیز ساده Bayes Theorem and Naive Bayes Classifier

• معرفی بخش Introduction of the section

• مبانی احتمال Fundamentals of Probability

• احتمال شرطی و قضیه بیز Conditional Probability and Bayes Theorem

• مثال عددی در قضیه بیز Numerical Example on Bayes Theorem

• طبقه‌بندی بیز ساده Naive Bayes Classification

• مقایسه طبقه‌بندی بیز ساده با رگرسیون لجستیک Comparing Naive Bayes Classification With Logistic Regression

• پروژه01_بیز ساده به عنوان طبقه‌بند احتمالی Project01_Naive Bayes as probabilistic classifier

• پروژه02_مقایسه بیز ساده و رگرسیون لجستیک Project02_Comparing Naive Bayes and Logistic Regression

• پروژه03_طبقه‌بندی چند کلاسه با طبقه‌بند بیز ساده Project03_Multiclass Classification With Naive Bayes Classifier

ماشین‌های بردار پشتیبان (SVM) Support Vector Machines ( SVM )

• معرفی بخش Introduction of the Section

• مفهوم اساسی SVM Basic Concept of SVM

• ریاضی SVM Maths of SVM

• طبقه‌بند حاشیه سخت و نرم Hard and Soft Margin Classifier

• قواعد تصمیم SVM Decision rules of SVM

• ترفند هسته در SVM Kernel trick in SVM

• پروژه01-درک SVM-بخش01 Project01-Understanding SVM-Part01

• پروژه01-درک SVM-بخش02 Project01-Understanding SVM-Part02

• پروژه02-طبقه‌بندی چند کلاسه با SVM Project02-Multiclass Classification With SVM

• پروژه03-جستجوی شبکه‌ای CV-بخش01 Project03-Grid Search CV-Part01

• پروژه03-جستجوی شبکه‌ای CV-بخش02 Project03-Grid Search CV-Part02

• پروژه04-طبقه‌بندی سرطان سینه با SVM Project04-Breast Cancer Classification with SVM

درخت تصمیم Decision Tree

• معرفی بخش Introduction of the Section

• مفهوم درخت تصمیم Concept of Decision Tree

• اصطلاحات مهم مربوط به درخت تصمیم Important terms related to decision tree

• آنتروپی-معیار بهره اطلاعات Entropy-An information gain criterion

• مثال عددی در آنتروپی-بخش01 Numerical Example on Entropy-Part01

• مثال عددی در آنتروپی-بخش02 Numerical Example on Entropy-Part02

• ناخالصی جینی-معیار اطلاعات Gini Impurity - An information criterion

• مثال عددی در ناخالصی جینی Numerical Example on Gini Impurity

• پروژه01-پیاده‌سازی درخت تصمیم Project01-Decision Tree Implementation

• پروژه02-طبقه‌بندی سرطان سینه با درخت تصمیم Project02-Breast Cancer Classification With Decision Tree

• پروژه03-جستجوی شبکه‌ای CV با درخت تصمیم Project03-Grid Search CV with Decision Tree

جنگل تصادفی Random Forest

• معرفی بخش Introduction of the Section

• چرا جنگل تصادفی؟ Why Random Forest

• نحوه کار جنگل تصادفی Working of Random Forest

• ابَرپارامترهای جنگل تصادفی Hyperparameters of Random Forest

• نمونه‌برداری بوت‌استرپ و خطای OOB Bootstrap sampling and OOB Error

• پروژه01-جنگل تصادفی-بخش01 Project01-Random Forest-Part01

• پروژه01-جنگل تصادفی-بخش02 Project01-Random Forest-Part02

• پروژه02-جنگل تصادفی-بخش01 Project02-Random Forest-Part01

• پروژه02-جنگل تصادفی-بخش02 Project02-Random Forest-Part02

روش‌های Boosting در یادگیری ماشین Boosting Methods in Machine Learning

• معرفی بخش Introduction of the Section

• AdaBoost (تقویت تطبیقی) AdaBoost (Adaptive Boosting )

• مثال عددی در Adaboost Numerical Example on Adaboost

• پروژه01-طبقه‌بند AdaBoost Project01-AdaBoost Classifier

• پروژه02-طبقه‌بند AdaBoost Project02-AdaBoost Classifier

• تقویت گرادیانی Gradient Boosting

• مثال عددی در تقویت گرادیانی Numerical Example on Gradient Boosting

• پروژه03-تقویت گرادیانی Project03-Gradient Boosting

• پروژه04-تقویت گرادیانی Project04-Gradient Boosting

• تقویت گرادیانی شدید (XGBoost) Extreme Gradient Boosting ( XGBoost )

• پروژه05-XGBoost-بخش01 Project05-XGBoost-Part01

• پروژه05-XGBoost-بخش02 Project05-XGBoost-Part02

یادگیری عمیق Deep Learning

• یادگیری عمیق Deep Learning

آشنایی با شبکه‌های عصبی و یادگیری عمیق Introduction to Neural Networks and Deep Learning

• معرفی بخش Introduction of the Section

• پرسپترون The perceptron

• ویژگی‌ها، وزن‌ها و تابع فعال‌سازی Features, Weights and Activation Function

• یادگیری شبکه عصبی Learning of Neural Network

• ظهور یادگیری عمیق Rise of Deep Learning

توابع فعال‌سازی Activation Functions

• معرفی بخش Introduction of the Section

• طبقه‌بندی توسط پرسپترون-بخش01 Classification by Perceptron-Part01

• طبقه‌بندی توسط پرسپترون-بخش02 Classification by Perceptron-Part02

• نیاز به توابع فعال‌سازی Need of Activation Functions

• افزودن تابع فعال‌سازی به شبکه عصبی Adding Activation Function to Neural Network

• سیگموئید به عنوان تابع فعال‌سازی Sigmoid as Activation Function

• تابع تانژانت هذلولی Hyperbolic Tangent Function

• توابع ReLU و Leaky ReLU ReLU and Leaky ReLU Function

توابع زیان Loss Functions

• معرفی بخش Introduction of the Section

• تابع زیان MSE MSE Loss Function

• تابع زیان آنتروپی متقاطع Cross Entropy Loss Function

• تابع سافت‌مکس Softmax Function

انتشار به عقب Back Propagation

• معرفی بخش Introduction of the Section

• انتشار به جلو Forward Propagation

• انتشار به عقب-بخش01 Backward Propagation-Part01

• انتشار به عقب-بخش02 Backward Propagation-Part02

شبکه‌های عصبی برای تحلیل رگرسیون Neural Networks for Regression Analysis

• معرفی بخش Introduction of the Section

• پروژه01-شبکه عصبی برای رگرسیون ساده-بخش01 Project01-Neural Network for Simple Regression-Part01

• پروژه01-شبکه عصبی برای رگرسیون ساده-بخش02 Project01-Neural Network for Simple Regression-Part02

• پروژه02_شبکه عصبی برای رگرسیون چندگانه Project02_Neural Network for Multiple Regression

• ایجاد شبکه عصبی با استفاده از کلاس پایتون Creating Neural Network Using Python Class

شبکه‌های عصبی برای طبقه‌بندی Neural Networks for Classification

• معرفی بخش Introduction of the Section

• Epoch، اندازه دسته و تکرار Epoch, Batch size and Iteration

• پروژه00_مجموعه داده تنسور و بارگذار داده Project00_Tensor Dataset and Data Loader

• آماده‌سازی کد برای مجموعه داده Iris Code Preparation for Iris Dataset

• پروژه01_شبکه عصبی برای طبقه‌بندی داده Iris Project01_Neural Network for Iris Data Classification

• آماده‌سازی کد برای مجموعه داده MNIST Code Preparation for MNIST dataset

• پروژه02_شبکه عصبی برای طبقه‌بندی داده MNIST-بخش01 Project02_Neural Network for MNIST data classification-Part01

• پروژه02_شبکه عصبی برای طبقه‌بندی داده MNIST-بخش02 Project02_Neural Network for MNIST data classification-Part02

• ذخیره و بارگذاری مدل آموزش‌دیده Save and Load Trained model

• آماده‌سازی کد برای تصاویر سفارشی Code Preparation for Custom Images

• پروژه03-شبکه‌های عصبی برای تصاویر سفارشی Project03-Neural Networks for Custom Images

• آماده‌سازی کد برای تشخیص عملکرد انسانی Code Preparation for Human Action Recognition

• پروژه04-شبکه عصبی برای تشخیص عملکرد انسانی Project04-Neural Network for Human Action Recognition

• پروژه05-شبکه عصبی برای مجموعه داده مهندسی‌شده ویژگی Project05-Neural Network for Feature Engineered Dataset

منظم‌سازی Dropout و نرمال‌سازی دسته‌ای Dropout Regularization and Batch Normalization

• معرفی بخش Introduction of the Section

• منظم‌سازی Dropout Dropout Regularization

• معرفی مجموعه داده برای منظم‌سازی dropout Introducing Dataset for dropout Regularization

• پروژه01-منظم‌سازی Dropout Project01-Dropout Regularization

• پروژه02-منظم‌سازی Dropout Project02-Dropout Regularization

• نرمال‌سازی دسته‌ای Batch Normalization

• پروژه03-نرمال‌سازی دسته‌ای Project03-Batch Normalization

• پروژه04-نرمال‌سازی دسته‌ای Project04-Batch Normalization

شبکه عصبی پیچشی (CNN) Convolutional Neural Network ( CNN )

• معرفی بخش Introduction of the Section

• معماری CNN و عملیات اصلی CNN Architecture and main operations

• پیچش دوبُعدی 2D Convolution

• شکل نقشه ویژگی پس از پیچش Shape of Feature Map after Convolution

• میانگین‌گیری و ماکزیمم‌پولی Average and Maximum Pooling

• پولی تا طبقه‌بندی Pooling to Classification

• پروژه01-CNN روی MNIST-بخش01 Project01-CNN on MNIST-Part01

• پروژه01-CNN روی MNIST-بخش02 Project01-CNN on MNIST-Part02

• یک لایه خطی تنبل کارآمد An Efficient Lazy Linear Layer

• پروژه02_CNN روی تصاویر سفارشی Project02_CNN on Custom Images

• یادگیری انتقالی Transfer Learning

• پروژه03-یادگیری انتقالی با ResNet-18 Project03-Transfer Learning With ResNet-18

• پروژه04-یادگیری انتقالی با VGG-16 Project04-Transfer Learning With VGG-16

شبکه‌های عصبی بازگشتی (RNN) Recurrent Neural Networks ( RNN )

• معرفی بخش Introduction of the Section

• چرا به RNN نیاز داریم؟ Why we need RNN ?

• داده‌های ترتیبی Sequential data

• ANN به RNN ANN to RNN

• انتشار به عقب از طریق زمان Back Propagation Through Time

• حافظه کوتاه‌مدت طولانی (LSTM) Long-Short Term Memory ( LSTM )

• دروازه‌های LSTM LSTM Gates

• پروژه01-شکل‌های LSTM Project01-LSTM Shapes

• پروژه02-مبانی LSTM Project02-LSTM Basics

• اندازه دسته، طول توالی و ابعاد ویژگی Batch size, Sequence length and Feature dimension

• پروژه03-درونیابی و برونیابی با LSTM Project03-Interpolation and Extrapolation With LSTM

• پروژه04-طبقه‌بندی داده با LSTM Project04- Data classification with LSTM

خودرمزگذارها Autoencoders

• معرفی بخش Introduction of the Section

• معماری خودرمزگذار Architecture of Autoencoder

• کاربردهای خودرمزگذارها Applications of Autoencoders

• پروژه01-حذف نویز تصویر با استفاده از خودرمزگذار Project01-Image Denoising using Autoencoder

• پروژه02-حذف انسداد با استفاده از خودرمزگذار Project02-Occlusion Removing Using Autoencoder

• پروژه03-خودرمزگذار به عنوان یک طبقه‌بند تصویر Project03-Autoencoder as an Image Classifier

شبکه‌های مولد تخاصمی (GAN) Generative Adversarial Networks (GANs)

• معرفی بخش Introduction of the Section

• مدل‌های تمایزگر و تولیدکننده Discriminative and Generative Models

• آموزش GAN Training of GAN

• پروژه01_پیاده‌سازی GAN Project01_GAN Implementation

یادگیری ماشین بدون نظارت Unsupervised Machine Learning

• یادگیری ماشین بدون نظارت Unsupervised Machine Learning

خوشه‌بندی K-میانگین K-Means Clustering

• معرفی بخش Introduction of the Section

• مراحل خوشه‌بندی K-میانگین Steps of K-Means Clustering

• مثال عددی-خوشه‌بندی K-میانگین در یک‌بُعدی Numerical Example- K-Means Clustering in One-D

• مثال عددی-خوشه‌بندی K-میانگین در 2 بُعدی Numerical Example-K-Means Clustering in 2D

• تابع هدف خوشه‌بندی K-میانگین Objective Function of K-Means Clustering

• انتخاب تعداد بهینه خوشه‌ها (روش آرنج) Selecting Optimal Number of Clusters ( Elbow Method )

• ارزیابی معیار برای خوشه‌بندی K-میانگین Evaluating Metric for K-Means Clustering

• پروژه01-خوشه‌بندی K-میانگین-بخش01 Project01-K-Means Clustering-Part01

• پروژه01-خوشه‌بندی K-میانگین-بخش02 Project01-K-Means Clustering-Part02

• پروژه01-خوشه‌بندی K-میانگین-بخش03 Project01-K-Means Clustering-Part03

• پروژه02-خوشه‌بندی K-میانگین Project02-K-Means Clustering

• پروژه03-خوشه‌بندی K-میانگین Project03-K-Means Clustering

خوشه‌بندی سلسله‌مراتبی Hierarchical Clustering

• معرفی بخش Introduction of the Section

• الگوریتم خوشه‌بندی سلسله‌مراتبی Hierarchical Clustering Algorithm

• خوشه‌بندی سلسله‌مراتبی در یک‌بُعدی Hierarchical Clustering in One-D

• دندروگرام‌ها-انتخاب خوشه‌های بهینه-بخش01 Dendrograms-Selecting Optimal Clusters-Part01

• دندروگرام‌ها-انتخاب خوشه‌های بهینه-بخش02 Dendrograms-Selecting Optimal Clusters-Part02

• خوشه‌بندی سلسله‌مراتبی با استفاده از معیار d-max Hierarchical Clustering Using d-max criterion

• خوشه‌بندی سلسله‌مراتبی در 2 بُعدی Hierarchical Clustering in 2D

• ارزیابی معیارها برای خوشه‌بندی سلسله‌مراتبی Evaluating Metrics for Hierarchical Clustering

• پروژه01-خوشه‌بندی سلسله‌مراتبی-بخش01 Project01-Hierarchical Clustering-Part01

• پروژه01-خوشه‌بندی سلسله‌مراتبی-بخش02 Project01-Hierarchical Clustering-Part02

• پروژه02-خوشه‌بندی سلسله‌مراتبی Project02-Hierarchical Clustering

• پروژه03-خوشه‌بندی سلسله‌مراتبی Project03-Hierarchical Clustering

خوشه‌بندی فضایی مبتنی بر چگالی برنامه‌ها با نویز (DBSCAN) Density Based Spatial Clustering of Applications With Noise (DBSCAN)

• معرفی بخش Introduction of the Section

• تعریف DBSCAN Definition of DBSCAN

• DBSCAN گام به گام Step by step DBSCAN

• مقایسه DBSCAN با خوشه‌بندی K-میانگین Comparing DBSCAN with K-Means Clustering

• پروژه01-بخش01 Project01-Part01

• پروژه01-بخش02 Project01-Part02

• پارامترهای DBSCAN Parameters of DBSCAN

• پروژه02-DBSCAN Project02-DBSCAN

خوشه‌بندی مدل ترکیبی گوسی (GMM) Gaussian Mixture Model (GMM) Clustering

• معرفی بخش Introduction of the Section

• تعریف خوشه‌بندی GMM Definition of GMM Clustering

• محدودیت‌های خوشه‌بندی K-میانگین Limitations of K-Means Clustering

• پروژه01-خوشه‌بندی GMM Project01-GMM Clustering

• پروژه02-خوشه‌بندی GMM Project02-GMM Clustering

• پروژه03-خوشه‌بندی GMM Project03-GMM Clustering

• توزیع دوجمله‌ای Binomial Distribution

• الگوریتم Expectation Maximization (EM) Expectation Maximization (EM) Algorithm

• الگوریتم Expectation Maximization (EM) (مثال عددی) Expectation Maximization (EM) Algorithm ( Numerical Example )

تحلیل مولفه‌های اصلی (PCA) Principal Component Analysis (PCA)

• معرفی بخش Introduction of the Section

• مفاهیم کلیدی PCA Key Concepts of PCA

• نیاز به PCA Need of PCA

• الگوریتم PCA با مثال عددی PCA Algorithm With Numerical Example

• پروژه01-PCA Project01-PCA

• پروژه02-PCA Project02-PCA

• پروژه03-PCA Project03-PCA

• پروژه04-PCA Project04-PCA

• پروژه05-PCA Project05-PCA

• پروژه06-PCA Project06-PCA

دوره‌های بیشتر More Courses

• دوره‌های بیشتر More Courses