آموزش یادگیری ماشین کاربردی با پایتون - آخرین آپدیت

ماژول ۱: مبانی یادگیری ماشین و معرفی SciKit Learn Module 1: Fundamentals of Machine Learning - Intro to SciKit Learn

• مقدمه Introduction

• تازه‌ها و تغییرات What's New?

• مفاهیم کلیدی در یادگیری ماشین Key Concepts in Machine Learning

• ابزارهای پایتون برای یادگیری ماشین Python Tools for Machine Learning

• مثالی از یک مسئله یادگیری ماشین An Example Machine Learning Problem

• بررسی و تحلیل داده‌ها Examining the Data

• طبقه‌بندی با الگوریتم K-نزدیک‌ترین همسایه (KNN) K-Nearest Neighbors Classification

ماژول ۲: یادگیری ماشین نظارت شده (بخش اول) Module 2: Supervised Machine Learning - Part 1

• مقدمه‌ای بر یادگیری ماشین نظارت شده Introduction to Supervised Machine Learning

• بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) Overfitting and Underfitting

• یادگیری نظارت شده: مجموعه‌ داده‌ها Supervised Learning: Datasets

• الگوریتم KNN: طبقه‌بندی و رگرسیون K-Nearest Neighbors: Classification and Regression

• رگرسیون خطی: روش کمترین مربعات Linear Regression: Least-Squares

• رگرسیون خطی: رگرسیون Ridge، Lasso و چندجمله‌ای Linear Regression: Ridge, Lasso, and Polynomial Regression

• رگرسیون لجستیک Logistic Regression

• طبقه‌بندی‌های خطی: ماشین‌های بردار پشتیبان (SVM) Linear Classifiers: Support Vector Machines

• طبقه‌بندی چندکلاسه Multi-Class Classification

• ماشین‌های بردار پشتیبان با توابع هسته (Kernelized SVM) Kernelized Support Vector Machines

• اعتبارسنجی متقاطع (Cross Validation) Cross-Validation

• درخت‌های تصمیم Decision Trees

• کدگذاری One Hot (اختیاری) One-Hot Encoding (Optional)

ماژول ۳: ارزیابی مدل‌ها Module 3: Evaluation

• ارزیابی و انتخاب مدل Model Evaluation & Selection

• ماتریس اغتشاش و معیارهای ارزیابی پایه Confusion Matrices & Basic Evaluation Metrics

• توابع تصمیم طبقه‌بندی‌کننده Classifier Decision Functions

• دقت، فراخوانی (Precision Recall) و منحنی‌های ROC Precision-Recall and ROC Curves

• ارزیابی طبقه‌بندی چندکلاسه Multi-Class Evaluation

• ارزیابی مدل‌های رگرسیون Regression Evaluation

• انتخاب مدل: بهینه‌سازی طبقه‌بندی‌کننده‌ها برای معیارهای مختلف Model Selection: Optimizing Classifiers for Different Evaluation Metrics

• کالیبراسیون مدل (اختیاری) Model Calibration (Optional)

ماژول ۴: یادگیری ماشین نظارت شده (بخش دوم) Module 4: Supervised Machine Learning - Part 2

• طبقه‌بندی‌کننده‌های Naive Bayes Naive Bayes Classifiers

• جنگل‌های تصادفی (Random Forests) Random Forests

• درخت‌های تصمیم تقویت‌شده گرادینت (GBDT) Gradient Boosted Decision Trees

• شبکه‌های عصبی Neural Networks

• یادگیری عمیق (اختیاری) Deep Learning (Optional)

• نشت داده‌ها (Data Leakage) Data Leakage

• مقدمه Introduction

• کاهش ابعاد و یادگیری منیفولد Dimensionality Reduction and Manifold Learning

• خوشه‌بندی (Clustering) Clustering

• جمع‌بندی و نتیجه‌گیری Conclusion