آموزش عملی Scikit برای یادگیری ماشین [ویدئو]

سرفصل ها و درس ها

شروع با یک مدل ساده ML در Scikit-learn Getting Started with a Simple ML Model in Scikit-learn

• بررسی اجمالی دوره The Course Overview

• اهداف دوره، نصب و راه اندازی نرم افزار Course Objectives, Software Installation, and Setup

• مروری بر Scikit-learn Overview of Scikit-learn

• مثال گردش کار برنامه نویسی Scikit-Learn Scikit-learn Programming Workflow Example

• استفاده از مدل KNN در مجموعه داده سرطان Applying a KNN Model on Cancer Dataset

• بهبود عملکرد KNN در مجموعه داده سرطان Improving the KNN Performance on Cancer Dataset

مدل های طبقه بندی Classification Models

• رگرسیون خطی و لجستیک Linear and Logistic Regression

• ارزیابی مدل های طبقه بندی Evaluating Classification Models

• رگرسیون لجستیک و ارزیابی با Scikit-learn Logistic Regression and Evaluation with Scikit-learn

• درختان تصمیم Decision Trees

• کوله برداری، تقویت، و جنگل های تصادفی Bagging, Boosting, and Random Forests

• استفاده از روش‌های گروهی با Scikit-learn Applying Ensemble Methods with Scikit-learn

• ماشین های بردار پشتیبانی Support Vector Machines

• استفاده از دسته‌بندی ماشین‌های بردار پشتیبانی با Scikit-learn Applying Support Vector Machines Classifier with Scikit-learn

• مثال طبقه بندی چند کلاسه با Scikit-learn Multi-class Classification Example with Scikit-learn

یادگیری ماشین نظارت شده - رگرسیون Supervised Machine Learning – Regression

• دانلود و بازرسی مجموعه داده Downloading and Inspecting the Dataset

• مدیریت ویژگی های طبقه بندی شده و مقادیر از دست رفته Handling Categorical Features and Missing Values

• ایجاد مجموعه های قطار و تست و یافتن همبستگی Creating Train and Test Sets and Finding Correlation

• مقیاس بندی ویژگی ها، ارزیابی مدل های رگرسیون، و استفاده از رگرسیون خطی Feature Scaling, Evaluating Regression Models, and Applying Linear Regression

• تکنیک های منظم سازی برای تحلیل رگرسیون Regularization Techniques for Regression Analysis

• استفاده از جنگل تصادفی برای تحلیل رگرسیون Applying Random Forest for Regression Analysis

• پرسپترون چندلایه، شبکه های عصبی و استفاده از MLP با Scikit-learn Multi-Layer Perceptron, Neural Networks, and Applying MLP with Scikit-learn

یادگیری بدون نظارت - کاهش ابعاد Unsupervised Learning —Dimensionality Reduction

• تجزیه و تحلیل مولفه های اصلی Principle Component Analysis

• استفاده از PCA با Scikit-learn برای کاهش ویژگی Applying PCA with Scikit-learn for Feature Reduction

• استفاده از PCA برای مشکل رگرسیون در یک مجموعه داده بزرگ Applying PCA for a Regression Problem on a Large Dataset

• روش‌های غیرخطی استخراج ویژگی - t-SNE و Isomap Nonlinear Methods of Feature Extraction – t-SNE and Isomap

• استفاده از تکنیک های کاهش ابعاد در تصاویر Applying Dimensionality Reduction Techniques to Images

یادگیری بدون نظارت - خوشه بندی Unsupervised Learning – Clustering

• مقدمه ای بر Clustering و k-means Clustering Introduction to Clustering and k-means Clustering

• استفاده از k-means با Scikit-learn Applying k-means with Scikit-learn

• خوشه بندی تجمعی Agglomerative Clustering

• الگوریتم خوشه بندی DBSCAN DBSCAN Clustering Algorithm

• استفاده از DBSCAN با Scikit-learn Applying DBSCAN with Scikit-learn

بهبود عملکرد مدل ML Improving ML Model Performance

• مدیریت ارزش های گمشده و پاکسازی داده ها Handling Missing Values and Data Cleaning

• مدیریت مقادیر از دست رفته و مقیاس بندی ویژگی های عددی Handling Missing Values and Scaling Numerical Features

• رسیدگی به موارد پرت و حذف انحراف توزیع Handling Outliers and Removing Distribution Skew

• رسیدگی به موارد پرت و حذف انحراف توزیع (ادامه) Handling Outliers and Removing Distribution Skew (Continued)

• استخراج ویژگی های اضافی Deriving Additional Features

• ارزیابی مدل‌های مختلف و اعتبارسنجی متقابل Evaluating Different Models and Cross- Validation

• استراتژی های انتخاب مدل Model Selection Strategies

• مهندسی ویژگی برای طبقه بندی Feature Engineering for Classification

• استراتژی های انتخاب مدل برای ارزیابی ریسک اعتباری Model Selection Strategies for Credit Risk Assessment

ایجاد خطوط لوله و انتخاب مدل پیشرفته Creating Pipelines and Advanced Model Selection

• ایجاد خطوط لوله پردازش با Scikit-learn Creating Processing Pipelines with Scikit-learn

• استفاده از خطوط لوله در مجموعه داده های ارزیابی ریسک اعتباری ما Using Pipelines on Our Credit Risk Assessment Dataset

• تکنیک های انتخاب مدل پیشرفته Advanced Model Selection Techniques

• تمرین خطوط لوله با مجموعه داده سری زمانی Practicing Pipelines with a Time-Series Dataset

مدیریت داده های متنی با Scikit-learn Handling Text Data with Scikit-learn

• مدل کیسه ای از کلمات و تحلیل احساسات Bag-of-Words Model and Sentiment Analysis

• استفاده از Stop-Words و TF-IDF برای تحلیل احساسات Using Stop-Words and TF-IDF for Sentiment Analysis

• استفاده از N-Gram برای بهبود عملکرد مدل برای تجزیه و تحلیل احساسات Using N-Grams to Improve Model Performance for Sentiment Analysis

• استفاده از Stemming و Lemmatization برای تجزیه و تحلیل احساسات Using Stemming and Lemmatization for Sentiment Analysis

• مدل‌سازی موضوع با TruncatedSVD و تخصیص دیریکله پنهان Topic Modeling with TruncatedSVD and Latent Dirichlet Allocation