آموزش یادگیری ماشین را در پایتون با Scikit-Learn حرفه‌ای شوید - آخرین آپدیت

سرفصل ها و درس ها

مقدمه و مرور کلی Introduction and Overview

• مقدمه دوره Introduction to the Course

• تمام مطالب دوره! All the material in the course!

• (پیش‌زمینه) مقدمه Jupyter Notebooks (Background) Introduction to Jupyter Notebooks

• (پیش‌زمینه) مقدمه NumPy (Background) Introduction to NumPy

• (پیش‌زمینه) مقدمه Pandas (Background) Introduction to Pandas

یادگیری ماشین چیست؟ What is Machine Learning?

• یادگیری ماشین چیست؟ What is Machine Learning?

• اصطلاحات یادگیری ماشین ML Terminology

• آزمون مقدماتی یادگیری ماشین Basic ML Quiz

• کالبدشکافی یک پروژه یادگیری ماشین Anatomy of a ML Project

• مراحل در یادگیری ماشین The Steps in ML

• معرفی Scikit Learn Introducing Scikit Learn

• وارد کردن یک مدل یادگیری ماشین Importing a Machine Learning Model

• بررسی مجموعه داده دیابت Exploring the Diabetes Dataset

• منابع بیشتر Further Resources

اولین مدل ما: رگرسیون خطی Our First Model: Linear Regression

• مقدمه Introduction

• ایده رگرسیون خطی Idea of Linear Regression

• تئوری رگرسیون خطی The Theory of Linear Regression

• رگرسیون خطی Linear Regression

• رگرسیون خطی در Scikit-Learn Linear Regression in Scikit-Learn

• اولین مدل رگرسیون خطی شما! Your First Linear Regression Model!

• ارزیابی مدل Evaluating the Model

• ارزیابی مدل Evaluating the Model

• آیا مدل ما خوب است؟ Is our Model any Good?

• تقسیم داده‌ها به مجموعه‌های آموزشی و آزمایشی Splitting the Data into Training and Testing Sets

• ارزیابی با استفاده از MSE Evaluating using MSE

• آموزش چگونه انجام می‌شود؟ (تئوری اختیاری) How is Training Done? (Optional Theory)

• منابع بیشتر Further Resources

طبقه‌بندی دوتایی با رگرسیون لجستیک Binary Classification with Logistic Regression

• مقدمه Introduction

• طبقه‌بندی دوتایی و رگرسیون لجستیک Binary Classification and Logistic Regression

• طبقه‌بندی دوتایی و رگرسیون لجستیک Binary Classification and Logistic Regression

• مجموعه داده زنبق (Iris) The Iris Dataset

• پیاده‌سازی رگرسیون لجستیک Implementing Logistic Regression

• پیاده‌سازی رگرسیون لجستیک Implementing Logistic Regression

• امتیاز دقت Accuracy Score

• امتیاز دقت Accuracy Score

• پیش‌بینی‌کننده‌ها و امتیاز دقت Predictors and Accuracy Score

• منابع بیشتر Further Resources

پیش‌پردازش و پایپ‌لاین‌ها (Pipelines) Preprocessing and Pipelines

• مقدمه Introduction

• پیش‌پردازش Preprocessing

• پیش‌پردازش Preprocessing

• پر کردن مقادیر گمشده Filling in Missing Values

• پر کردن مقادیر گمشده Filling in Missing Values

• انتخاب ویژگی‌های مرتبط Choosing Relevant Features

• استانداردسازی مقیاس در Scikit-Learn Standard Scaling in Scikit-Learn

• استانداردسازی مقیاس Standard Scaling

• پایپ‌لاین‌ها Pipelines

• پایپ‌لاین‌ها Pipelines

• منابع بیشتر Further Resources

رگرسیون چندجمله‌ای و بیش‌برازش (Overfitting) Polynomial Regression and Overfitting

• مقدمه Introduction

• درک رگرسیون چندجمله‌ای Understanding Polynomial Regression

• رگرسیون چندجمله‌ای Polynomial Regression

• افزودن دستی ویژگی‌های چندجمله‌ای Adding Polynomial Features Manually

• افزودن ویژگی‌های چندجمله‌ای Adding Polynomial Features

• ارزیابی با میانگین خطای مطلق (MAE) Evaluating with Mean Absolute Error

• میانگین خطای مطلق Mean Absolute Error

• استفاده از کلاس ویژگی‌های چندجمله‌ای Using the Polynomial Features Class

• افزودن صحیح ویژگی‌های چندجمله‌ای Adding Polynomial Features Properly

• ادغام همه چیز در یک پایپ‌لاین Fitting Everything Into a Pipeline

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

• بیش‌برازش و کم‌برازش Overfitting and Underfitting

• بیش‌برازش در عمل Overfitting in Practice

• منابع بیشتر Further Resources

پروژه ۱ - رگرسیون Project 1 - Regression

• مقدمه Introduction

• راه حل: پروژه رگرسیون Solution: Regression Project

درختان تصمیم و معیارهای مختلف Decision Trees and Different Metrics

• مقدمه Introduction

• مقدمه‌ای بر درختان Introduction to Trees

• درختان تصمیم Decision Trees

• درختان و درختان تصمیم Trees and Decision Trees

• پیاده‌سازی درختان تصمیم Implementing Decision Trees

• درختان تصمیم برای رگرسیون Decision Trees for Regression

• مثبت‌های کاذب و منفی‌های کاذب False Positives and False Negatives

• درک دقت (Precision) و بازخوانی (Recall) Understanding Precision and Recall

• مجموعه‌های داده نامتعادل Unbalanced Datasets

• استفاده از دقت و بازخوانی Using Precision and Recall

• یافتن دقت یک درخت تصمیم Finding Precision of a Decision Tree

• منابع بیشتر Further Resources

یادگیری جمعی (Ensemble Learning) و جنگل‌های تصادفی (Random Forests) Ensemble Learning and Random Forests

• مقدمه Introduction

• یادگیری جمعی چیست؟ What is Ensemble Learning?

• یادگیری جمعی Ensemble Learning

• ایجاد سریع مدل‌های متعدد Creating Multiple Models Fast

• ایجاد رای اکثریت جمعی Creating an Ensemble Majority Vote

• آموزش و برازش مدل‌های متعدد Training and Fitting Multiple Models

• یادگیرنده‌های ضعیف و Bagging Weak Learners and Bagging

• یادگیرنده‌های ضعیف و Bagging Weak Learners and Bagging

• استفاده از جنگل‌های تصادفی Using Random Forests

• جنگل‌های تصادفی Random Forests

• منابع بیشتر Further Resources

کدگذاری یک-داغ (One-Hot Encoding) و اعتبارسنجی متقابل (Cross-Validation) One-Hot-Encoding and Cross-Validation

• مقدمه Introduction

• کدگذاری یک-داغ One Hot Encoding

• کدگذاری یک-داغ One Hot Encoding

• استفاده از کدگذاری یک-داغ Using One Hot Encoding

• استفاده از کدگذاری یک-داغ Using One Hot Encoding

• اعتبارسنجی متقابل Cross-Validation

• استفاده از اعتبارسنجی متقابل Using Cross-Validation

• استفاده از اعتبارسنجی متقابل Using Cross-Validation

• مجموعه اعتبارسنجی و آزمون Validation and Test Set

• اعتبارسنجی، مجموعه آزمون، و اعتبارسنجی متقابل Validation, Test Set, and Cross-Validation

• کدگذاری یک-داغ و پایپ‌لاین‌ها One Hot Encoding and Pipelines

• اعتبارسنجی متقابل و پایپ‌لاین‌ها Cross-Validation and Pipelines

• اعتبارسنجی متقابل و پایپ‌لاین‌ها Cross-Validation and Pipelines

• منابع بیشتر Further Resources

تنظیم (Regularization) و مبادله سوگیری-واریانس (Bias-Variance Tradeoff) Regularization and the Bias-Variance Tradeoff

• مقدمه Introduction

• تنظیم (یا کوچک‌سازی) Regularization (or Shrinkage)

• تنظیم (یا کوچک‌سازی) Regularization (or Shrinkage)

• رگرسیون لاسو و ریج (Lasso and Ridge Regression) Lasso and Ridge Regression

• تلاش برای رگرسیون ریج Trying out Ridge Regression

• مبادله سوگیری-واریانس Bias-Variance Tradeoff

• سوگیری و واریانس Bias and Variance

• یافتن یک مقدار پارامتر مناسب Finding a Good Parameter Value

• منابع بیشتر Further Resources

ماشین‌های بردار پشتیبان (SVMs) و ابرپارامترها (Hyperparameters) SVMs and Hyperparameters

• مقدمه Introduction

• ماشین بردار پشتیبان Support Vector Machine

• ماشین بردار پشتیبان Support Vector Machine

• پیاده‌سازی SVM Implementing SVM

• ابرپارامترها Hyperparameters

• SVMها و ابرپارامترها SVMs and Hyperparameters

• پیاده‌سازی جستجوی شبکه‌ای (Grid Search) Implementing Grid Search

• پیاده‌سازی جستجوی شبکه‌ای Implementing Grid Search

• منابع بیشتر Further Resources

پروژه ۲ - طبقه‌بندی Project 2 - Classification

• مقدمه Introduction

• راه حل: پروژه طبقه‌بندی Solution: Classification Project

تکنیک‌های کاهش ابعاد Dimentionality Reduction Techniques

• مقدمه Introduction

• کاهش ابعاد Dimensionality Reduction

• کاهش ابعاد Dimensionality Reduction

• معرفی مجموعه داده CovType Introducing the CovType Dataset

• کاهش بر اساس همبستگی Reduction Based on Correlation

• کاهش بر اساس واریانس Reduction Based on Variance

• استفاده از VarianceThreshold برای کاهش ابعاد Using VarianceThreshold to Reduce Dimensionality

• تحلیل مؤلفه‌های اصلی (PCA) Principal Component Analysis (PCA)

• تحلیل مؤلفه‌های اصلی Principal Component Analysis

• پیاده‌سازی PCA Implementing PCA

• پیاده‌سازی PCA Implementing PCA

• منابع بیشتر Further Resources

KNN و ماندگاری مدل (Model Persistence) KNN and Model Persistence

• مقدمه Introduction

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

• K-نزدیک‌ترین همسایه K-Nearest Neighbors

• پیاده‌سازی KNN Implementing KNN

• پیاده‌سازی KNN Implementing KNN

• ماندگاری مدل Model Persistence

• استفاده از ماندگاری مدل Using Model Persistence

• ماندگاری مدل Model Persistence

• منابع بیشتر Further Resources

مبانی شبکه‌های عصبی The Basics of Neural Networks

• مقدمه Introduction

• شبکه‌های عصبی چیستند؟ What are Neural Networks?

• شبکه‌های عصبی چیستند؟ What are Neural Networks?

• وزن‌ها و توابع فعال‌سازی Weights and Activation Functions

• وزن‌ها و توابع فعال‌سازی Weights and Activation Functions

• استفاده پایه از MLPClassifier Basic Usage of MLPClassifier

• پارامترها و Keras Parameters and Keras

• پارامترها و Keras Parameters and Keras

• منابع بیشتر Further Resources

مقدمه‌ای بر یادگیری ماشین بدون نظارت (Unsupervised ML) Intro to Unsupervised ML

• مقدمه Introduction

• یادگیری بدون نظارت چیست؟ What is Unsupervised Learning?

• یادگیری بدون نظارت چیست؟ What is Unsupervised Learning?

• خوشه‌بندی K-Means K-Means Clustering

• پیاده‌سازی خوشه‌بندی K-Means Implementing K-Means Clustering

• پیاده‌سازی خوشه‌بندی K-Means Implementing K-Means Clustering

• منابع بیشتر Further Resources

پروژه ۳ - بدون نظارت Project 3 - Unsupervised

• مقدمه Introduction

• راه حل: پروژه بدون نظارت Solution: Unsupervised Project

منابع بیشتر و خداحافظی Further Resources and Goodbye

• پایان سفر ما The End of Our Journey