آموزش راهنمای جامع و تصویری یادگیری ماشین (Machine Learning) - آخرین آپدیت

مقدمه‌ای بر یادگیری ماشین Intro to Machine Learning

• ساختار و سرفصل‌های دوره Course Structure & Outline

• تنظیم انتظارات Setting Expectations

• مقدمه‌ای بر یادگیری ماشین Intro to Machine Learning

• چه زمانی یادگیری ماشین گزینه مناسبی است؟ When is ML the right fit?

• فرآیند یادگیری ماشین The Machine Learning Process

• نمای کلی دنیای یادگیری ماشین The Machine Learning Landscape

بخش اول: تضمین کیفیت و پروفایلینگ داده‌ها PART 1: Data QA & Profiling

• خوش‌آمدگویی به بخش اول: QA و پروفایلینگ داده‌ها Welcome to Part 1: QA & Data Profiling

• مقدمه‌ای بر تضمین کیفیت داده‌ها (Data QA) Introduction to Data QA

• چرا QA اهمیت دارد؟ Why QA?

• انواع متغیرها Variable Types

• مقادیر خالی Empty Values

• محاسبات محدوده (Range) Range Calculations

• محاسبات شمارش Count Calculations

• داده‌های سانسور شده چپ و راست Left & Right Censored Data

• ساختار جدول Table Structure

• مطالعه موردی: QA مقدماتی CASE STUDY: Preliminary QA

• بهترین روش‌ها: QA مقدماتی BEST PRACTICES: Preliminary QA

• مقدمه‌ای بر پروفایلینگ تک‌متغیره Introduction to Univariate Profiling

• متغیرهای دسته‌ای (Categorical) Categorical Variables

• گسسته‌سازی (Discretization) Discretization

• اسمی در مقابل ترتیبی Nominal vs. Ordinal

• توزیع‌های دسته‌ای Categorical Distributions

• متغیرهای عددی Numerical Variables

• هیستوگرام‌ها و تراکم‌های کرنل Histograms & Kernel Densities

• مطالعه موردی: هیستوگرام‌ها CASE STUDY: Histograms

• توزیع نرمال Normal Distribution

• مطالعه موردی: توزیع نرمال CASE STUDY: Normal Distribution

• پروفایلینگ داده‌های تک‌متغیره Univariate Data Profiling

• نما (Mode) Mode

• میانگین (Mean) Mean

• میانه (Median) Median

• صدک (Percentile) Percentile

• واریانس Variance

• انحراف معیار Standard Deviation

• چولگی (Skewness) Skewness

• بهترین روش‌ها: پروفایلینگ تک‌متغیره BEST PRACTICES: Univariate Profiling

• مقدمه‌ای بر پروفایلینگ چندمتغیره Introduction to Multivariate Profiling

• متغیر دسته‌ای-دسته‌ای Categorical-Categorical

• مطالعه موردی: نقشه‌های حرارتی CASE STUDY: Heat Maps

• متغیر دسته‌ای-عددی Categorical-Numerical

• تراکم‌های کرنل چندمتغیره Multivariate Kernel Densities

• نمودارهای ویولنی Violin Plots

• نمودارهای جعبه‌ای (Box Plots) Box Plots

• محدودیت‌های توزیع‌های دسته‌ای Limitations of Categorical Distributions

• متغیر عددی-عددی Numerical-Numerical

• همبستگی (Correlation) Correlation

• همبستگی در مقابل علیت Correlation vs. Causation

• بصری‌سازی بُعد سوم Visualizing Third Dimension

• مطالعه موردی: همبستگی CASE STUDY: Correlation

• بهترین روش‌ها: پروفایلینگ چندمتغیره BEST PRACTICES: Multivariate Profiling

• نگاهی به بخش دوم Looking Ahead to Part 2

بخش دوم: مدل‌سازی طبقه‌بندی PART 2: Classification Modeling

• خوش‌آمدگویی به بخش دوم: مدل‌سازی طبقه‌بندی Welcome to Part 2: Classification Modeling

• یادگیری نظارت شده در مقابل بدون نظارت Supervised vs. Unsupervised Learning

• طبقه‌بندی در مقابل رگرسیون Classification vs. Regression

• مرور: مفاهیم کلیدی RECAP: Key Concepts

• مبانی طبقه‌بندی Classification 101

• گردش کار طبقه‌بندی Classification Workflow

• مهندسی ویژگی‌ها Feature Engineering

• تقسیم‌بندی داده‌ها Data Splitting

• بیش‌برازش (Overfitting) Overfitting

• مدل‌های رایج طبقه‌بندی Common Classification Models

• مقدمه‌ای بر K-نزدیک‌ترین همسایه (KNN) Intro to K-Nearest Neighbors (KNN)

• مثال‌های KNN KNN Examples

• مطالعه موردی: KNN CASE STUDY: KNN

• مقدمه‌ای بر نایو بیز (Naive Bayes) Intro to Naïve Bayes

• نایو بیز | جداول فراوانی Naïve Bayes | Frequency Tables

• نایو بیز | احتمال شرطی Naïve Bayes | Conditional Probability

• مطالعه موردی: نایو بیز CASE STUDY: Naïve Bayes

• مقدمه‌ای بر درخت تصمیم Intro to Decision Trees

• درخت تصمیم | مبانی آنتروپی Decision Trees | Entropy 101

• آنتروپی و بهره اطلاعاتی Entropy & Information Gain

• مثال‌های درخت تصمیم Decision Tree Examples

• جنگل‌های تصادفی (Random Forests) Random Forests

• مطالعه موردی: درخت تصمیم CASE STUDY: Decision Trees

• مقدمه‌ای بر رگرسیون لجستیک Intro to Logistic Regression

• مثال رگرسیون لجستیک Logistic Regression Example

• مثبت کاذب در مقابل منفی کاذب False Positives vs. False Negatives

• معادله رگرسیون لجستیک Logistic Regression Equation

• تابع احتمال (Likelihood Function) The Likelihood Function

• رگرسیون لجستیک چندمتغیره Multivariate Logistic Regression

• مطالعه موردی: رگرسیون لجستیک CASE STUDY: Logistic Regression

• مقدمه‌ای بر تحلیل احساسات (Sentiment Analysis) Intro to Sentiment Analysis

• پاک‌سازی داده‌های متنی Cleaning Text Data

• تحلیل «کیسه کلمات» (Bag of Words) "Bag of Words" Analysis

• مطالعه موردی: تحلیل احساسات CASE STUDY: Sentiment Analysis

• مقدمه‌ای بر انتخاب و تنظیم مدل Intro to Selection & Tuning

• هایپرپارامترها Hyperparameters

• کلاس‌های نامتوازن Imbalanced Classes

• ماتریس درهم‌ریختگی (Confusion Matrix) Confusion Matrix

• دقت، صحت و بازخوانی (Accuracy, Precision, Recall) Accuracy, Precision & Recall

• ماتریس درهم‌ریختگی چندکلاسی Multi-class Confusion Matrix

• امتیازدهی چندکلاسی Multi-class Scoring

• انتخاب مدل Model Selection

• رانش مدل (Model Drift) Model Drift

• نگاهی به بخش سوم Looking Ahead to Part 3

بخش سوم: رگرسیون و پیش‌بینی PART 3: Regression & Forecasting

• خوش‌آمدگویی به بخش سوم: رگرسیون و پیش‌بینی Welcome to Part 3: Regression & Forecasting

• یادگیری نظارت شده در مقابل بدون نظارت Supervised vs. Unsupervised Learning

• مرور: مفاهیم کلیدی RECAP: Key Concepts

• مبانی رگرسیون Regression 101

• مهندسی ویژگی‌ها برای رگرسیون Feature Engineering for Regression

• پیش‌بینی در مقابل تحلیل علت ریشه‌ای Prediction vs. Root-Cause Analysis

• مقدمه‌ای بر مدل‌سازی رگرسیون Intro to Regression Modeling

• روابط خطی Linear Relationships

• کمترین مجموع مربعات خطا Least Squared Error

• رگرسیون خطی تک‌متغیره Univariate Linear Regression

• مطالعه موردی: رگرسیون خطی تک‌متغیره CASE STUDY: Univariate Linear Regression

• رگرسیون خطی چندگانه Multiple Linear Regression

• رگرسیون غیرخطی Non-Linear Regression

• مطالعه موردی: رگرسیون غیرخطی CASE STUDY: Non-Linear Regression

• مقدمه‌ای بر تشخیص‌های مدل Intro to Model Diagnostics

• نمونه خروجی مدل Sample Model Output

• ضریب تعیین (R Squared) R-Squared

• معیارهای میانگین خطا (MSE, MAE, MAPE) Mean Error Metrics (MSE, MAE, MAPE)

• همسانی واریانس (Homoskedasticity) Homoskedasticity

• فرضیه صفر (Null Hypothesis) Null Hypothesis

• معناداری F F-Significance

• مقادیر T و P-Values T-Values & P-Values

• هم‌خطی چندگانه (Multicollinearity) Multicollinearity

• عامل تورم واریانس (VIF) Variance Inflation Factor

• مرور: نمونه خروجی مدل RECAP: Sample Model Output

• مقدمه‌ای بر پیش‌بینی (Forecasting) Intro to Forecasting

• فصلی بودن (Seasonality) Seasonality

• تابع خودهمبستگی (ACF) Auto Correlation Function

• مطالعه موردی: فصلی بودن با ACF CASE STUDY: Seasonality with ACF

• کدگذاری وان-هات (One Hot Encoding) One-Hot Encoding

• مطالعه موردی: فصلی بودن با One Hot Encoding CASE STUDY: Seasonality with One-Hot Encoding

• روند خطی Linear Trending

• مطالعه موردی: فصلی بودن با روند خطی CASE STUDY: Seasonality with Linear Trend

• هموارسازی (Smoothing) Smoothing

• مطالعه موردی: هموارسازی CASE STUDY: Smoothing

• روندهای غیرخطی Non-Linear Trends

• مطالعه موردی: روند غیرخطی CASE STUDY: Non-Linear Trend

• تحلیل مداخله (Intervention Analysis) Intervention Analysis

• مطالعه موردی: تحلیل مداخله CASE STUDY: Intervention Analysis

• نگاهی به بخش چهارم Looking Ahead to Part 4

بخش چهارم: یادگیری بدون نظارت PART 4: Unsupervised Learning

• خوش‌آمدگویی به بخش چهارم: یادگیری بدون نظارت Welcome to Part 4: Unsupervised Learning

• یادگیری نظارت شده در مقابل بدون نظارت Supervised vs. Unsupervised Learning

• تکنیک‌های رایج بدون نظارت Common Unsupervised Techniques

• گردش کار یادگیری ماشین بدون نظارت Unsupervised ML Workflow

• مرور: مهندسی ویژگی‌ها RECAP: Feature Engineering

• نکات کلیدی: مقدمه‌ای بر یادگیری بدون نظارت KEY TAKEAWAYS: Intro to Unsupervised ML

• مقدمه‌ای بر تحلیل خوشه‌بندی (Cluster Analysis) Introduction to Cluster Analysis

• مبانی خوشه‌بندی Clustering Basics

• مقدمه‌ای بر K-means Intro to K-Means

• نمودارهای WSS و آرنج (Elbow Plots) WSS & Elbow Plots

• سوالات متداول K-means K-Means FAQs

• مطالعه موردی: K-means CASE STUDY: K-Means

• مقدمه‌ای بر خوشه‌بندی سلسله‌مراتبی Intro to Hierarchical Clustering

• آناتومی یک دندروگرام Anatomy of a Dendrogram

• سوالات متداول خوشه‌بندی سلسله‌مراتبی Hierarchical Clustering FAQs

• نکات کلیدی: خوشه‌بندی و بخش‌بندی KEY TAKEAWAYS: Clustering & Segmentation

• مقدمه‌ای بر استخراج قوانین انجمنی (Association Mining) Introduction to Association Mining

• مبانی استخراج انجمنی Association Mining Basics

• الگوریتم Apriori The Apriori Algorithm

• مثال‌های تحلیل سبد خرید Basket Analysis Examples

• آستانه‌های حداقل پشتیبانی Minimum Support Thresholds

• مجموعه آیتم‌های کم‌تکرار Infrequent Itemsets

• مجموعه آیتم‌های متعدد Multiple Item Sets

• مطالعه موردی: Apriori CASE STUDY: Apriori

• زنجیره‌های مارکوف Markov Chains

• مطالعه موردی: زنجیره‌های مارکوف CASE STUDY: Markov Chains

• نکات کلیدی: استخراج قوانین انجمنی KEY TAKEAWAYS: Association Mining

• مقدمه‌ای بر داده‌های پرت (Outliers) Introduction to Outliers

• مبانی شناسایی داده‌های پرت Outlier Detection Basics

• پرت‌های مقطعی (Cross Sectional) Cross-Sectional Outliers

• مثال پرت‌های مقطعی Cross-Sectional Outlier Example

• مطالعه موردی: پرت‌های مقطعی CASE STUDY: Cross-Sectional Outlier

• پرت‌های سری زمانی Time-Series Outliers

• مثال پرت‌های سری زمانی Time-Series Outlier Example

• نکات کلیدی: شناسایی داده‌های پرت KEY TAKEAWAYS: Outlier Detection

• مقدمه‌ای بر کاهش ابعاد (Dimensionality Reduction) Introduction to Dimensionality Reduction

• مبانی کاهش ابعاد Dimensionality Reduction Basics

• تحلیل مؤلفه‌های اصلی (PCA) Principle Component Analysis

• مثال PCA PCA Example

• تفسیر مؤلفه‌ها Interpreting Components

• نمودارهای اسکری (Scree Plots) Scree Plots

• تکنیک‌های پیشرفته Advanced Techniques

• نکات کلیدی: کاهش ابعاد KEY TAKEAWAYS: Dimensionality Reduction

• جمع‌بندی دوره Course Conclusion

• سایر دوره‌های Maven Analytics More from Maven Analytics