آموزش علم داده: یادگیری ماشینی بدون کدگذاری

سرفصل ها و درس ها

معرفی Introduction

• چه چیزی از این دوره دریافت خواهید کرد What Will You Get From This Course

• آنچه این دوره نیست What This Course Is Not

• یادگیری ماشینی چیست و چرا مهم است؟ What is Machine Learning and Why is it important?

• چرا Rapidminer؟ Why Rapidminer?

• تفاوت Rapidminer در مقابل Python یا R چیست؟ What is the difference between Rapidminer Vs Python or R?

Rapidminer را نصب کنید Install Rapidminer

• نصب Rapidminer Installing Rapidminer

مبانی Rapidminer Rapidminer Basics

• معرفی محیط توسعه Rapidminer Rapidminer Development Environment Introduction

• اپراتورها، برنامه های افزودنی، مخزن، پارامترها، راهنما Operators, Extensions, Repository, Parameters, Help

• بیایید اولین فرآیند اساسی خود را بسازیم - مقدمه Let's Build Our First Basic Process - Introduction

• بیایید اولین فرآیند اساسی خود را بسازیم - دست روی دست Let's Build Our First Basic Process - Hands On

• پایان اصول Rapidminer End of Rapidminer Basics

پیش بینی قیمت خانه با الگوریتم رگرسیون Predicting House Prices with Regression Algorithm

• قبل از اینکه شروع کنیم Before We Start

• دانلود داده ها برای اولین مدل یادگیری ماشین رگرسیون شما Downloading the Data for your First Regression Machine Learning Model

• این مجموعه داده چیست؟ What Is This Dataset?

• وارد کردن داده ها Importing Data

• پارتیشن بندی داده ها Partitioning the Data

• ساخت مدل یادگیری ماشینی رگرسیون خطی چندگانه Building Multiple Linear Regression Machine Learning Model

• نتایج خروجی مدل یادگیری ماشینی رگرسیون خطی چندگانه Output Results of Multiple Linear Regression Machine Learning Model

• اعتبارسنجی عملکرد مدل یادگیری ماشینی رگرسیون خطی چندگانه Validating Performance of Multiple Linear Regression Machine Learning Model

• ذخیره کار شما Saving your Work

• نتیجه گیری - اولین مدل یادگیری ماشین رگرسیون ساده Conclusion - First Simple Regression Machine Learning Model

رسیدگی به مسائل داده برای یک مدل رگرسیون Handling Data Issues for a Regression Model

• دانلود مجموعه داده دوم با مشکلات Downloading the Second Dataset With Issues

• این مجموعه داده چیست؟ What Is This Dataset?

• واردات داده ها و شناسایی مسائل Importing Data and Identifying Issues

• حذف زمینه هایی که مفید نیستند Eliminating Fields That Are Not Useful

• شناسایی و حذف موارد پرت Identifying and Removing Outliers

• فیلدهای داده اسمی را به فیلدهای داده عددی تبدیل کنید Convert Nominal Data Fields to Numerical Data Fields

• ساخت مدل یادگیری ماشینی رگرسیون خطی چندگانه بر روی داده های پاک شده Building Multiple Linear Regression Machine Learning Model on Cleaned Data

آزمون - رگرسیون خطی Quiz - Linear Regression

• بیایید دانش خود را آزمایش کنیم Let's Test Your Knowledge

شناسایی مشتریان بالقوه با استفاده از الگوریتم طبقه بندی Identifying Prospective Customers Using Classification Algorithm

• دانلود داده ها برای اولین مدل یادگیری ماشینی طبقه بندی شما Downloading the Data for your First Classification Machine Learning Model

• این داده چیست؟ What Is This Data?

• وارد کردن داده ها و شناسایی مسائل Importing The Data and Identifying The Issues

• تبدیل داده ها از یک نوع به نوع دیگر Convert Data From One Type To Another

• مدیریت ارزش های گمشده در یک زمینه Handling Missing Values In A Field

• تنظیم نقش برچسب با استفاده از عملگر Set Label Role Using Operator

• فیلدهایی که مفید نیستند را حذف کنید Eliminate Fields That Are Not Useful

• داده های پارتیشن و طبقه بندی ساخت مدل یادگیری ماشینی Partition Data and Build Classification Machine Learning Model

• نتایج خروجی طبقه بندی مدل یادگیری ماشینی Output Results of Classification Machine Learning Model

• اعتبارسنجی عملکرد طبقه‌بندی مدل یادگیری ماشین Validating Performance of Classification Machine Learning Model

• خواندن اضافی Additional Reading

• بهینه سازی عملکرد مدل یادگیری ماشین طبقه بندی ما Optimizing the Performance of our Classification Machine Learning Model

• خواندن اضافی Additional Reading

• نتیجه گیری - الگوریتم یادگیری ماشین طبقه بندی Conclusion - Classification Machine Learning Algorithm

مسابقه - طبقه بندی Quiz - Classification

• بیایید دانش خود را آزمایش کنیم Let's Test Your Knowledge

بخش بندی داده های بیمار با استفاده از خوشه بندی K-Means Segmenting Patient Data Using K-Means Clustering

• خوشه بندی چیست و چه تفاوتی با رگرسیون یا طبقه بندی دارد؟ What is Clustering and How is it different from Regression or Classification?

• داده ها را برای نمونه مدل خوشه بندی خود دانلود کنید Download Data for your Clustering Model Example

• داستان پشت داده ها Story behind the data

• K-Means Clustering چیست؟ What is K-Means Clustering?

• بیایید الگوریتم خوشه بندی خود را برای بخش بندی داده های بیمار بسازیم Let's Build our Clustering Algorithm to segment patient data

• دانلود داده ها برای بیماران جدید Download Data for New Patients

• بیایید الگوریتم خوشه بندی خود را برای بخش بندی داده های بیمار بسازیم - ادامه دارد Let's Build our Clustering Algorithm to segment patient data - Continued

• نتیجه Conclusion

آزمون - خوشه بندی Quiz - Clustering

• بیایید دانش خود را آزمایش کنیم Let's Test Your Knowledge

پیش بینی خرابی دیگ با استفاده از تشخیص ناهنجاری Predicting Boiler Failures using Anomaly Detection

• ناهنجاری چیست؟ What is an Anomaly?

• ناهنجاری ها همیشه بد نیستند Anomalies are not always bad

• داده ها را دانلود کنید Download the Data

• داستان پشت داده ها Story behind the Data

• کاوش در داده های ما Exploring our Data

• تشخیص ناهنجاری ها با استفاده از روش آماری Detecting Anomalies Using Statistical Method

• تشخیص ناهنجاری ها با استفاده از روش مبتنی بر فاصله Detecting Anomalies Using Distance Based Method

• تشخیص ناهنجاری ها با استفاده از روش مبتنی بر چگالی Detecting Anomalies Using Density Based Method

• تشخیص ناهنجاری ها با استفاده از روش فاکتور دورافتاده محلی Detecting Anomalies Using Local Outlier Factor Method

• نتیجه Conclusion

• نتیجه Conclusion

آزمون - تشخیص ناهنجاری Quiz - Anomaly Detection

• بیایید دانش خود را آزمایش کنیم Let's Test Your Knowledge

• بیایید دانش خود را آزمایش کنیم Let's Test Your Knowledge

پاداش - فایل های راه حل Bonus - Solutions Files

• فایل های Solutions را دانلود کنید Download the Solutions Files

• نحوه استفاده از فایل های راه حل How to Use The Solution Files

بخش 10 - با تشکر Section 10 - Thank You

• متشکرم Thank You