آموزش خوشه بندی و طبقه بندی با یادگیری ماشین در پایتون [ویدئو]

سرفصل ها و درس ها

مقدمه دوره: مفاهیم کلیدی و ابزار نرم افزار INTRODUCTION TO THE COURSE: The Key Concepts and Software Tools

• به خوشه بندی و طبقه بندی با یادگیری ماشین در پایتون خوش آمدید Welcome to Clustering & Classification with Machine Learning in Python

• یادگیری ماشینی چیست؟ What is Machine Learning?

• محیط علم داده پایتون Python Data Science Environment

• برای کاربران مک For Mac Users

• IPython در مرورگر IPython in Browser

• بسته های علوم داده پایتون مورد استفاده قرار می گیرند Python Data Science Packages to Be Used

اطلاعات منابع مختلف را با پانداها بخوانید Read in Data from Different Sources with Pandas

• پانداها چیست؟ What are Pandas?

• در داده ها از CSV بخوانید Read in Data from CSV

• در CSV آنلاین بخوانید Read in Online CSV

• در داده های اکسل بخوانید Read in Excel Data

• در داده های HTML بخوانید Read in HTML Data

• در داده ها از پایگاه های داده بخوانید Read in Data from Databases

پاکسازی داده ها و مانگینگ Data Cleaning & Munging

• مقادیر از دست رفته را حذف کنید Remove Missing Values

• انتخاب داده های مشروط Conditional Data Selection

• گروه بندی داده ها Data Grouping

• تنظیمات زیر داده Data Sub setting

• رتبه بندی و مرتب سازی Ranking & Sorting

• الحاق Concatenate

• ادغام و پیوستن به فریم های داده Merging & Joining Data Frames

یادگیری بدون نظارت در پایتون Unsupervised Learning in Python

• طبقه بندی بدون نظارت - برخی از مفاهیم اساسی Unsupervised Classification- Some Basic Concepts

• K-Means Clustering: Theory K-Means Clustering: Theory

• K-Means را روی داده های Iris پیاده سازی کنید Implement K-Means on the Iris Data

• کمی سازی K-Means عملکرد خوشه بندی Quantifying K-Means Clustering Performance

• K-Means خوشه بندی با داده های واقعی K-Means Clustering with Real Data

• چگونه تعداد بهینه خوشه ها را انتخاب کنیم؟ How to Select the Optimal Number of Clusters?

• مدل سازی مخلوط گاوسی (GMM) Gaussian Mixture Modelling (GMM)

• تئوری خوشه بندی سلسله مراتبی Hierarchical Clustering-theory

• خوشه بندی سلسله مراتبی-عملی Hierarchical Clustering-practical

کاهش ابعاد و انتخاب ویژگی برای یادگیری ماشین Dimension Reduction & Feature Selection for Machine Learning

• تجزیه و تحلیل مؤلفه اصلی (PCA) - نظریه Principal Component Analysis (PCA)-Theory

• تجزیه و تحلیل مؤلفه اصلی (PCA) - مطالعه موردی 1 Principal Component Analysis (PCA)-Case Study 1

• تجزیه و تحلیل مؤلفه اصلی (PCA) - مطالعه موردی 2 Principal Component Analysis (PCA)-Case Study 2

• تجزیه و تحلیل تشخیص خطی (LDA) برای کاهش ابعاد Linear Discriminant Analysis (LDA) for Dimension Reduction

• کاهش ابعاد t-SNE t-SNE Dimension Reduction

• انتخاب ویژگی برای انتخاب مرتبط ترین پیش بینی کننده ها Feature Selection to Select the Most Relevant Predictors

• حذف ویژگی بازگشتی (RFE) Recursive Feature Elimination (RFE)

یادگیری تحت نظارت: طبقه بندی Supervised Learning: Classification

• مفاهیم پشت یادگیری تحت نظارت Concepts Behind Supervised Learning

• آماده سازی داده ها برای یادگیری تحت نظارت Data Preparation for Supervised Learning

• نکاتی در مورد ارزیابی دقت مدل‌سازی طبقه‌بندی Pointers on Evaluating the Accuracy of Classification Modelling

• استفاده از رگرسیون لجستیک به عنوان مدل طبقه بندی Using Logistic Regression as a Classification Model

• kNN- طبقه بندی kNN- Classification

• طبقه بندی ساده بیز Naive Bayes Classification

• تحلیل تشخیصی خطی Linear Discriminant Analysis

• SVM- طبقه بندی خطی SVM- Linear Classification

• طبقه بندی SVM غیر خطی Non-Linear SVM Classification

• طبقه بندی RF RF-Classification

• دستگاه تقویت گرادیان (GBM) Gradient Boosting Machine (GBM)

• طبقه بندی رأی Voting Classifier

شبکه های عصبی و تکنیک های طبقه بندی مبتنی بر یادگیری عمیق Neural Networks and Deep Learning Based Classification Techniques

• پرسپترون ها برای طبقه بندی باینری Perceptrons for Binary Classification

• شبکه های عصبی مصنوعی (ANN) برای طبقه بندی باینری Artificial Neural Networks (ANN) for Binary Classification

• طبقه بندی چند کلاسه با MLP Multi-class Classification With MLP

• مقدمه ای بر H20 Introduction to H20

• از H20 برای طبقه بندی یادگیری عمیق استفاده کنید Use H20 for Deep Learning Classification

• یادگیری عمیق H20 برای طبقه بندی H20 Deep Learning for Classification