آموزش کاربردی یادگیری ماشین (Machine Learning) - آخرین آپدیت

هفته اول: پیش‌بینی، خطاها و اعتبار‌سنجی متقاطع Week 1: Prediction, Errors, and Cross Validation

• انگیزه و هدف پیش‌بینی Prediction motivation

• پیش‌بینی چیست؟ What is prediction?

• اهمیت نسبی مراحل Relative importance of steps

• خطاهای درون نمونه و بیرون نمونه In and out of sample errors

• طراحی مطالعه پیش‌بینی Prediction study design

• انواع خطاها Types of errors

• منحنی ویژگی عملیاتی گیرنده (ROC) Receiver Operating Characteristic

• اعتبارسنجی متقاطع (Cross Validation) Cross validation

• از چه داده‌هایی باید استفاده کرد؟ What data should you use?

هفته دوم: بسته نرم‌افزاری Caret Week 2: The Caret Package

• معرفی بسته Caret Caret package

• برش داده‌ها (Data Slicing) Data slicing

• گزینه‌های آموزش مدل Training options

• رسم نمودار پیش‌بین‌ها Plotting predictors

• پیش‌پردازش‌های پایه Basic preprocessing

• ایجاد متغیرهای کمکی (Covariate) Covariate creation

• پیش‌پردازش با تحلیل مولفه‌های اصلی (PCA) Preprocessing with principal components analysis

• پیش‌بینی با رگرسیون Predicting with Regression

• پیش‌بینی با رگرسیون متغیرهای کمکی چندگانه Predicting with Regression Multiple Covariates

هفته سوم: پیش‌بینی با درخت‌ها، جنگل‌های تصادفی و پیش‌بینی‌های مدل‌محور Week 3: Predicting with trees, Random Forests, & Model Based Predictions

• پیش‌بینی با درخت‌های تصمیم Predicting with trees

• تکنیک Bagging Bagging

• جنگل‌های تصادفی (Random Forests) Random Forests

• تکنیک Boosting Boosting

• پیش‌بینی مدل‌محور Model Based Prediction

هفته چهارم: رگرسیون منظم‌شده و ترکیب پیش‌بین‌ها Week 4: Regularized Regression and Combining Predictors

• رگرسیون منظم‌شده (Regularized Regression) Regularized regression

• ترکیب پیش‌بین‌ها Combining predictors

• پیش‌بینی آتی (Forecasting) Forecasting

• پیش‌بینی بدون نظارت Unsupervised Prediction