آموزش مسترکلاس یادگیری ماشین و یادگیری عمیق برای مبتدیان - آخرین آپدیت

سرفصل ها و درس ها

پیام‌های مهم برای شما! IMPORTANT Messages for you!

• نحوه شرکت در کلاس‌ها How to take the classes

• شرایط بازگشت وجه Take a refund now, if....

• یک هدیه ویژه برای شما! Something Extra for you!

مبانی یادگیری ماشین Machine Learning Foundation

• منابع این فصل Resources for this chapter

• یادگیری ماشین چیست؟ What is Machine learning?

• مدل‌های رگرسیون The Regression models

• مدل‌های طبقه‌بندی The Classification models

• مدل‌های خوشه‌بندی The Clustering models

• سنجش دانش Knowledge Assessment

• شروع یادگیری عمیق Deep Learning Starting

• هوش مصنوعی Artificial Intelligence

• زبان‌های برنامه‌نویسی Programming languages

• محیط‌های توسعه Development environments

• سنجش دانش Knowledge Assessment

جریان کاری گام به گام یادگیری ماشین Machine Learning Step-by-step Workflow

• منابع این فصل Resources of this chapter

• آماده‌سازی داده‌ها Data preparation

• مدل‌سازی داده‌ها Data modeling

• ارزیابی مدل Model evaluation

• استقرار مدل Model deployment

• معیارهای ارزیابی مدل Model evaluating metrics

• سنجش دانش Knowledge Assessment

مبانی پایتون برای یادگیری ماشین Python Foundation for Machine Learning

• منابع این فصل Resources of this chapter

• عبارات و متغیرها Expressions and Variables

• عملی: عبارات و متغیرها Hands-on: Expressions and Variables

• شروع برنامه‌نویسی پایتون Starting with python programming

• درک انواع داده‌ها Understanding Data Types

• عملی: انواع داده‌ها Hands-on: Data Types

• تبدیل انواع داده‌ها Converting data types

• عملگرهای مختلف رشته‌ها Various String Operators

• عملی: عملگرهای رشته‌ها Hands-on: String Operators

• درک تاپل‌ها و لیست‌ها Understanding Tuples and Lists

• عملی: تاپل‌ها و لیست‌ها Hands-on: Tuples and Lists

• ایجاد لیست Creating list

• اندکس‌گذاری لیست Indexing list

• برش (Slicing) لیست Slicing list

• افزودن عناصر Adding elements

• حذف عناصر Removing elements

• جایگزینی عناصر Replacing elements

• درک مجموعه‌ها (Set) Understanding Set

• عملی: عملگرهای Set Hands-on: Set operators

• تلفیق مجموعه‌ها Set integration

• کاهش مجموعه‌ها Set reduction

• درک دیکشنری‌ها Understanding Dictionaries

• عملی: دیکشنری‌ها Hands-on: Dictionaries

• ایجاد دیکشنری Create dictionary

• افزودن کلیدها و مقادیر Adding keys and values

• شرط‌ها و شاخه‌بندی Condition and Branching

• عملی: شرط‌ها و شاخه‌بندی Hands-on: Condition & Branching

• دستورات شرطی ۱ Conditional statement #1

• دستورات شرطی ۲ Conditional statement #2

• عبارات منطقی ۱ Logical expression #1

• عبارات منطقی ۲ Logical expression #2

• عبارات منطقی ۳ Logical expression #3

• حلقه‌ها برای تکرار Loops for Iteration

• عملی: حلقه‌ها Hands-on: Loops

• حلقه For For loop

• حلقه While While loop

• توسعه توابع Developing Functions

• عملی: توابع Hands-on: Functions

• کار با توابع Dealing with function

• اشیاء و کلاس‌ها Object and Classes

• عملی: اشیاء و کلاس‌ها Hands-on: Object & Classes

• کار با توابع ۲ Dealing with function #2

• API، REST API و درخواست‌ها API, REST API & Request

• HTML و BeautifulSoup HTML and BeautifulSoup

• آزمایشگاه عملی: BeautifulSoup Hands-on Lab: BeautifulSoup

• وب‌اسکرپینگ در پایتون Web scrapping in Python

• خواندن و نوشتن با Pandas Reading and Writing with Pandas

• آزمایشگاه عملی: وارد کردن مجموعه‌داده‌ها Hands-on Lab: Importing datasets

• خواندن فایل‌ها با پایتون Reading Files with Python

پاکسازی و مدیریت داده‌ها برای ML و DL Data Cleaning & Manipulation for ML & DL

• منابع این فصل Resources of this chapter

• درک مقادیر گم‌شده Understanding Missing values

• پایتون برای شناسایی مقادیر گم‌شده Python for missing value identification

• عملی: شناسایی مقادیر گم‌شده Hands-on: Missing value identification

• شناسایی مقادیر گم‌شده Identifying missing values

• درک جایگذاری (Imputation) Understanding Imputation

• پایتون برای جایگذاری مقادیر گم‌شده Python for missing value imputation

• عملی: جایگذاری مقادیر گم‌شده Hands-on: Imputing missing values

• جایگذاری مقادیر گم‌شده Imputing missing values

• انواع داده‌های Dataframe Dataframe's data types

• پایتون برای تغییر نوع داده‌ها (Casting) Python for casting data types

• عملی: انواع داده‌ها در dataframe Hands-on: Data types in dataframe

• بررسی نوع داده Checking data type

• تخصیص نوع داده Assigning data type

• مقادیر ناهماهنگ چیست؟ What is Inconsistent value?

• پایتون برای مدیریت ناهماهنگی‌ها Python for dealing inconsistencies

• عملی: کار با ناهماهنگی‌ها Hands-on: Working with inconsistencies

• یافتن مقادیر منحصربه‌فرد Finding the unique values

• حذف مقادیر ناهماهنگ Removing inconsistent value

• درک داده‌های تکراری Understanding duplicates

• پایتون برای مدیریت تکراری‌ها Python for dealing duplicates

• عملی: کار با تکراری‌ها Hands-on Working with duplicates

• شناسایی تکراری‌ها Identify duplicates

• حذف تکراری‌ها Removing duplicates

• مرتب‌سازی داده‌ها چیست؟ What is data sorting?

• پایتون برای مرتب‌سازی داده‌ها Python for sorting data

• عملی: مرتب‌سازی داده‌ها Hands-on: Sorting data

• مرتب‌سازی مجموعه‌داده dataset sorting

• درک برش (Slicing) Understanding slicing

• پایتون برای برش داده‌ها Python for data slicing

• عملی: برش داده‌ها Hands-on: Data slicing

• برش با loc Slicing with loc

• برش با iloc Slicing with iloc

• روش‌های فیلتر کردن داده‌ها Methods of Data filtering

• پایتون برای فیلتر کردن داده‌ها Python for data filtering

• عملی: فیلتر کردن داده‌ها Hands-on: Data filtering

• فیلتر کردن بولی (Boolean) Boolean filtering

• شرایط چندگانه Multiple conditions

• درک ادغام داده‌ها (Merge) Understanding data merge

• پایتون برای ادغام داده‌ها Python for merging data

• عملی: ادغام دیتافریم‌ها Hands-on: Merging dataframes

• ادغام دیتافریم‌ها Merging dataframes

• درک اتصال (Concatenation) Understanding concatenation

• پایتون برای اتصال داده‌ها Python for concatenation

• عملی: اتصال داده‌ها Hands-on: Data concatenation

• اتصال دیتافریم‌ها Concatenating dataframes

مهندسی ویژگی برای بهبود عملکرد مدل Feature Engineering for Model Performance

• منابع این فصل Resources of this chapter

• چگونه ویژگی جدید تولید کنیم؟ How to generate new feature?

• پایتون برای تولید ویژگی‌های جدید Python for generating new features

• عملی: تولید ویژگی‌های جدید Hands-on: Generating new features

• تولید ویژگی Feature generation

• استخراج عناصر تاریخ Extracting date elements

• پایتون برای استخراج عناصر تاریخ Python for extracting date elements

• عملی: استخراج عناصر تاریخ Hands-on: Extracting date elements

• استخراج روز، ماه و سال Extracting day, month and year

• چه زمانی ویژگی را کدگذاری کنیم When to encode feature

• پایتون برای کدگذاری ویژگی Python for encoding feature

• عملی: کدگذاری ویژگی Hands-on: Feature encoding

• کدگذاری ویژگی Feature encoding

• چه زمانی ویژگی را دسته‌بندی (Bin) کنیم When to bin feature

• پایتون برای دسته‌بندی ویژگی Python for binning feature

• عملی: دسته‌بندی ویژگی Hands-on: Feature binning

• دسته‌بندی ویژگی Feature binning

• چه زمانی ویژگی را نگاشت (Map) کنیم When to map feature

• پایتون برای نگاشت ویژگی Python for mapping feature

• عملی: نگاشت ویژگی Hands-on: Feature mapping

• نگاشت ویژگی Feature mapping

• چه زمانی متغیرهای Dummy بسازیم When to generate dummies

• پایتون برای تولید Dummyها Python for generating dummies

• عملی: تولید Dummyها Hands-on: Generating dummies

• تولید Dummyها Generating dummies

پیش‌پردازش جامع داده‌ها برای ML و DL A-Z Data Preprocessing for ML & DL

• منابع این فصل Resources of this chapter

• نمودار Kdeplot برای توزیع Kdeplot for distribution

• پایتون برای ایجاد Kdeplot Python for creating Kdeplot

• عملی: Kdeplot Hands-on: Kdeplot

• Kdeplot برای توزیع Kdeplot for distribution

• تست Shapiro-wilk Shapiro Wilk test

• پایتون برای تست Shapiro-wilk Python for Shapiro Wilk test

• عملی: تست Shapiro-wilk Hands-on: Shapiro Wilk test

• تست نرمال بودن Normality test

• روش‌های تبدیل داده‌ها Data transformations methods

• پایتون برای تبدیل داده‌ها Python for data transformation

• عملی: تبدیل داده‌ها Hands-on: Data transformation

• تبدیل SQRT SQRT transformation

• تبدیل LOG LOG transformation

• تبدیل BOXCOX BOXCOX transformation

• انتخاب ویژگی (Feature Selection) Feature selection

• پایتون برای انتخاب ویژگی Python for Feature selection

• عملی: انتخاب ویژگی Hand-on: Feature selection

• انتخاب ویژگی Feature selection

• روش‌های مقیاس‌بندی ویژگی (Scaling) Methods of Feature scaling

• پایتون برای مقیاس‌بندی ویژگی‌ها Python for scaling features

• عملی: مقیاس‌بندی ویژگی Hands-on: Feature scaling

• مقیاس‌بندی استاندارد (Standard Scaling) Standard scaling

• مقیاس‌بندی MinMax MinMax Scaling

• کاهش ابعاد Dimensionality reduction

• پایتون برای کاهش ابعاد Python for Dimensionality reduction

• عملی: کاهش ابعاد Hands-on: Dimensionality reduction

• نسبت واریانس توضیح داده شده Explained variance ratio

• انتخاب n_component Select n_component

• تحلیل مؤلفه‌های اصلی (PCA) Principal component analysis

• تقسیم آموزش-تست (Train Test Split) Train-test split

• پایتون برای مجموعه‌های آموزش و تست Python for train-test set

• عملی: مجموعه‌های آموزش و تست Hands-on: Train-test set

• تقسیم آموزش-تست Train test split

ریاضیات ضروری برای ML و DL Essential Mathematics for ML & DL

• منابع این فصل Resources of this chapter

• ماتریس چیست؟ What is Matrix?

• اسکالرها و بردارها Scalars and Vectors

• مقدمه‌ای بر جبر خطی Linear algebra introduction

• سنجش دانش Knowledge Assessment

• تنسور چیست؟ What is Tensor?

• ترانهاده ماتریس Transpose of Matrix

• ضرب داخلی و ماتریس Dot product and Matrix

• سنجش دانش Knowledge Assessment

عملی: مدل‌های یادگیری ماشین Hands-on: Machine Learning Models

• منابع این فصل Resources of this chapter

• رگرسیون خطی چگونه کار می‌کند How Linear regression works

• پایتون برای مدل رگرسیون خطی Python for Linear regression model

• عملی: مدل رگرسیون خطی Hands-on: Linear regression model

• ساخت رگرسیون خطی Build Linear Regression

• پیش‌بینی با رگرسیون خطی Prediction with Linear Regression

• ارزیابی مدل Model evaluation

• رگرسیون لجستیک چگونه کار می‌کند How Logistic regression works

• پایتون برای رگرسیون لجستیک Python for logistic regression

• عملی: رگرسیون لجستیک Hands-on: Logistic Regression

• ساخت رگرسیون لجستیک Build Logistic Regression

• ارزیابی مدل LGR Evaluate the LGR model

• خوشه‌بندی KMeans چگونه کار می‌کند How KMeans clustering works

• پایتون برای خوشه‌بندی KMeans Python for KMeans clustering

• عملی: خوشه‌بندی KMeans Hands-on: KMeans clustering

• محاسبه WCSS Calculating WCSS

• ساخت خوشه KMeans Building KMeans cluster

عملی: مدل‌های یادگیری ماشین مبتنی بر درخت Hands-on: Tree-based Machine Learning Models

• منابع این فصل Resources of this chapter

• رگرسیون درخت تصمیم چگونه کار می‌کند How Decision tree regression works

• پایتون برای رگرسیون درخت تصمیم Python for decision tree regression

• عملی: رگرسیون درخت تصمیم Hands-on: Decision tree regression

• رگرسیون درخت تصمیم Decision tree regression

• طبقه‌بندی درخت تصمیم چگونه کار می‌کند How Decision tree classification works

• پایتون برای طبقه‌بندی درخت تصمیم Python for Decision tree classification

• عملی: طبقه‌بندی درخت تصمیم Hands-on: Decision tree classification

• طبقه‌بندی درخت تصمیم Decision tree classification

• رگرسیون جنگل تصادفی چگونه کار می‌کند How Random forest regression works

• پایتون برای رگرسیون جنگل تصادفی Python for Random forest regression

• عملی: رگرسیون جنگل تصادفی Hands-on: Random forest regression

• رگرسیون جنگل تصادفی Random forest regression

• طبقه‌بندی جنگل تصادفی چگونه کار می‌کند How Random forest classification works

• پایتون برای طبقه‌بندی جنگل تصادفی Python for Random forest classification

• عملی: طبقه‌بندی جنگل تصادفی Hands-on: Random forest classification

• طبقه‌بندی جنگل تصادفی Random forest classification

عملی: مدل‌های Ensemble در یادگیری ماشین Hands-on: Ensemble Machine Learning Models

• منابع این فصل Resources of this chapter

• مدل‌های AdaBoost چگونه کار می‌کنند How AdaBoost Models work

• پایتون برای مدل‌های AdaBoost Python for AdaBoost Models

• عملی: مدل‌های AdaBoost Hands-on: AdaBoost Models

• مدل طبقه‌بندی AdaBoost AdaBoost Classification Model

• GBM سنتی چگونه کار می‌کند How Traditional GBM works

• پایتون برای مدل GBM سنتی Python for Traditional GBM Model

• عملی: مدل GBM سنتی Hands-on: Traditional GBM Model

• مدل طبقه‌بندی Trad GBM Trad GBM Classification Model

• مدل‌های CatBoost چگونه کار می‌کنند How CatBoost Models work

• پایتون برای مدل‌های CatBoost Python for CatBoost Models

• عملی: مدل‌های CatBoost Hands-on: CatBoost Models

• مدل طبقه‌بندی CatBoost CatBoost Classification Model

• مدل‌های LightGBM چگونه کار می‌کنند How LightGBM Models work

• پایتون برای مدل‌های LightGBM Python for LightGBM Models

• عملی: مدل‌های LightGBM Hands-on: LightGBM Models

• طبقه‌بند LightGBM LightGBM Classifier

• مدل‌های XGBoost چگونه کار می‌کنند How XGBoost Models work

• پایتون برای مدل‌های XGBoost Python for XGBoost Models

• عملی: مدل‌های XGBoost Hands-on: XGBoost Models

• مدل‌های XGBoost XGBoost Models

بهینه‌سازی مدل یادگیری ماشین Machine Learning Model Optimization

• منابع این فصل Resources of this chapter

• اعتبارسنجی متقاطع K-fold K-fold cross validation

• پایتون برای اعتبارسنجی متقاطع Python for cross-validation

• عملی: اعتبارسنجی متقاطع k-fold Hands-on: k-fold cross validation

• اعتبارسنجی متقاطع K-fold K-fold cross validation

• منظم‌سازی L1 و L2 L1, L2 regularization

• پایتون برای منظم‌سازی Python for regularization

• عملی: منظم‌سازی مدل Hands-on: Model regularization

• منظم‌سازی L1 و L2 L1 & L2 regularization

• روش‌های Oversampling Oversampling methods

• پایتون برای روش‌های oversampling Python for oversampling methods

• عملی: روش‌های oversampling Hands-on: oversampling methods

• بیش‌نمونه‌گیری SMOTE SMOTE - oversampling

• روش‌های Undersampling Undersampling methods

• پایتون برای روش‌های undersampling Python for undersampling methods

• عملی: روش‌های undersampling Hands-on: Undersampling methods

• کم‌نمونه‌گیری Tomek Links Tomek Links - Undersampling

• تنظیم هایپرپارامترها Hyperparameter tuning

• پایتون برای تنظیم هایپرپارامترها Python for Hyperparameter tuning

• عملی: تنظیم هایپرپارامترها Hands-on: Hyperparameter tuning

• Bayes search CV Bayes search CV

ضروریات یادگیری عمیق Deep Learning Essentials

• منابع این فصل Resources of this chapter

• درک یادگیری عمیق Understanding Deep Learning

• شبکه‌های عصبی در یادگیری عمیق Neural Networks in Deep Learning

• لایه‌ها در مقابل شبکه‌های عمیق Layers v/s Deep net

• TensorFlow چیست؟ What is TensorFlow?

• نحوه کار TensorFlow 2.0 How TensorFlow 2.0 works

• سنجش دانش Knowledge Assessment

• مقداردهی اولیه (Initialization) چیست؟ What is Initialization?

• مقداردهی اولیه Glorot Glorot Initialization

• گرادیان نزولی تصادفی (SGD) Stochastic Gradient Descent

• سنجش دانش Knowledge Assessment

عملی: مدل یادگیری عمیق Hands-on: Deep Learning Model

• منابع این فصل Resources of this chapter

• درک داده‌ها Understanding the data

• پیش‌پردازش داده‌ها Preprocessing the data

• آموزش مدل Model training

• ارزیابی مدل Model evaluation

• حل مسائل واقعی با یادگیری عمیق Solve Real problem with Deep Learning

هوش مصنوعی و مهندسی پرامپت Artificial intelligence & Prompt Engineering

• منابع این فصل Resources of this chapter

• AI و جریان کاری AI چیست؟ What is AI and AI workflow?

• انواع مختلف هوش مصنوعی Various types of Artificial intelligence

• هوش مصنوعی مولد و موارد استفاده آن Generative AI and Its use cases

• NLP، فناوری گفتار و بینایی ماشین NLP, Speech Technology & Computer vision

• سنجش دانش Knowledge Assessment

• پرامپت چیست؟ What is Prompt?

• مهندسی پرامپت The Prompt engineering

• بهترین روش‌ها در مهندسی پرامپت Best practices in PE

• سنجش دانش Knowledge Assessment

پروژه AI اول: مدل متن به تصویر AI-based Project 1: Text to Image Model

• منابع این فصل Resources of this chapter

• مرور پروژه Project overview

• پایپ‌لاین Diffusers و Stable Diffusion Diffusers - Stable Diffusion Pipeline

• مدل runwayml/stable diffusion v1 5 runwayml/stable-diffusion-v1-5

• توسعه مدل Gen AI متن به تصویر Developing Gen AI Text to Image Model

• آزمایشگاه عملی: Gen AI Text2Image Hands-on Lab: Gen AI Text2Image

پروژه AI دوم: مدل ChatGPT AI-based Project 2 - ChatGPT Model

• منابع این فصل Resources of this chapter

• مرور پروژه Project overview

• مدل Gemma 2 2b برای چت‌بات Gemma-2-2b Model for Chatbot

• مدل Llama 2 7b برای چت‌بات Llama-2-7b Model for Chatbot

• توسعه چت‌بات Gen AI Developing Gen AI Chatbot

• آزمایشگاه عملی: چت‌بات Gen AI Hands-on Lab: Gen AI Chatbot

پروژه نهایی: یادگیری ماشین در زندگی واقعی Capstone Project - Machine Learning in Real Life

• طبقه‌بندی بهترین مهاجمان Classifying the Best Strikers