آموزش خوشه بندی و طبقه بندی با یادگیری ماشین در پایتون

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?

• داده ها و اسکریپت های دوره Data and Scripts For the Course

• داده ها و اسکریپت های دوره Data and Scripts For the Course

• محیط علم داده پایتون Python Data Science Environment

• محیط علم داده پایتون Python Data Science Environment

• برای کاربران مک For Mac Users

• برای کاربران مک For Mac Users

• مقدمه ای بر IPython Introduction to IPython

• IPython در مرورگر IPython in Browser

• IPython در مرورگر IPython in Browser

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

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

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?

• مقدمه ای بر IPython Introduction to IPython

داده ها را از منابع مختلف با پانداها بخوانید Read in Data From Different Sources With Pandas

• پانداها چیست؟ What are Pandas?

• پانداها چیست؟ What are Pandas?

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

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

• در CSV آنلاین بخوانید Read in Online CSV

• در اکسل دیتا بخوانید Read in Excel Data

• در اکسل دیتا بخوانید Read in Excel Data

• در داده های HTML بخوانید Read in HTML Data

• در داده های HTML بخوانید Read in HTML Data

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

داده ها را از منابع مختلف با پانداها بخوانید Read in Data From Different Sources With Pandas

• در CSV آنلاین بخوانید Read in Online CSV

• 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

• مقادیر از دست رفته را حذف کنید Remove Missing Values

• انتخاب داده های مشروط Conditional Data Selection

• انتخاب داده های مشروط Conditional Data Selection

• گروه بندی داده ها Data Grouping

• گروه بندی داده ها Data Grouping

• زیر مجموعه داده ها Data Subsetting

• زیر مجموعه داده ها Data Subsetting

• رتبه بندی و مرتب سازی Ranking & Sorting

• رتبه بندی و مرتب سازی Ranking & Sorting

• الحاق Concatenate

• الحاق Concatenate

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

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

پاکسازی داده ها و مانگینگ Data Cleaning & Munging

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

• 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

• تئوری خوشه بندی سلسله مراتبی Hierarchical Clustering-theory

• خوشه بندی سلسله مراتبی-عملی Hierarchical Clustering-practical

• خوشه بندی سلسله مراتبی-عملی Hierarchical Clustering-practical

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

• 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)

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) - 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 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 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

• 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

• 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)

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

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

• 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

• مفاهیم پشت یادگیری تحت نظارت Concepts Behind Supervised Learning

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

• 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

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

• kNN- طبقه بندی kNN- Classification

• kNN- طبقه بندی kNN- Classification

• طبقه بندی ساده بیز Naive Bayes Classification

• طبقه بندی ساده بیز Naive Bayes Classification

• تحلیل تشخیصی خطی Linear Discriminant Analysis

• SVM- طبقه بندی خطی SVM- Linear Classification

• SVM- طبقه بندی خطی SVM- Linear Classification

• طبقه بندی SVM غیر خطی Non-Linear SVM Classification

• طبقه بندی SVM غیر خطی Non-Linear SVM Classification

• طبقه بندی RF RF-Classification

• طبقه بندی RF RF-Classification

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

• طبقه بندی رأی Voting Classifier

• طبقه بندی رأی Voting Classifier

یادگیری تحت نظارت: طبقه بندی Supervised Learning: Classification

• تحلیل تشخیصی خطی Linear Discriminant Analysis

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

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

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

• مقدمه ای بر H20 Introduction to H20

• مقدمه ای بر H20 Introduction to H20

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

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

• تابع فعال سازی را مشخص کنید Specify the Activation Function

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

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

• تابع فعال سازی را مشخص کنید Specify the Activation Function

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

اطلاعات متفرقه Miscellaneous Information

• استفاده از Colabs برای نوت بوک های آنلاین Jupyter Using Colabs for Online Jupyter Notebooks

• پردازنده گرافیکی کولب Colab GPU

• Github Github

• علم داده چیست؟ What Is Data Science?

• علم داده چیست؟ What Is Data Science?

اطلاعات متفرقه Miscellaneous Information

• استفاده از Colabs برای نوت بوک های آنلاین Jupyter Using Colabs for Online Jupyter Notebooks

• پردازنده گرافیکی کولب Colab GPU

• Github Github