آموزش بوت کمپ یادگیری ماشینی تحت نظارت

سرفصل ها و درس ها

معرفی Introduction

• معرفی Introduction

راه اندازی محیط زیست Setting up the Environment

• نصب آناکوندا Installing Anaconda

• داشبورد Jupyter - قسمت 1 Jupyter Dashboard - Part 1

• داشبورد Jupyter - قسمت 2 Jupyter Dashboard - Part 2

• نصب پکیج های مربوطه Installing the relevant packages

بیز ساده لوح Naïve Bayes

• انگیزه Motivation

• آزمایش فکری بیز Bayes' Thought Experiment

• آزمایش فکری بیز Bayes' Thought Experiment

• آزمایش فکری بیز: تکلیف Bayes' Thought Experiment: Assignment

• قضیه بیز Bayes' Theorem

• قضیه بیز Bayes' Theorem

• مثال Ham-or-Spam The Ham-or-Spam Example

• مثال Ham-or-Spam The Ham-or-Spam Example

• مثال Ham-or-Spam: تخصیص The Ham-or-Spam Example: Assignment

• مجموعه داده YouTube: ایجاد چارچوب داده The YouTube Dataset: Creating the Data Frame

• CountVetorizer CountVectorizer

• مجموعه داده YouTube: پیش پردازش The YouTube Dataset: Preprocessing

• مجموعه داده YouTube: پیش پردازش: واگذاری The YouTube Dataset: Preprocessing: Assignment

• مجموعه داده های YouTube: طبقه بندی The YouTube Dataset: Classification

• مجموعه داده های YouTube: طبقه بندی: واگذاری The YouTube Dataset: Classification: Assignment

• مجموعه داده YouTube: ماتریس سردرگمی The YouTube Dataset: Confusion Matrix

• مجموعه داده YouTube: دقت، دقت، فراخوانی و امتیاز F1 The YouTube Dataset: Accuracy, Precision, Recall, and the F1 score

• مجموعه داده YouTube: تغییر پیشینیان The YouTube Dataset: Changing the Priors

• ساده بیز: تکلیف Naïve Bayes: Assignment

K-نزدیک ترین همسایه ها K-Nearest Neighbors

• انگیزه Motivation

• انگیزه Motivation

• پیش نیازهای ریاضی: متریک فاصله Math Prerequisites: Distance Metrics

• پیش نیازهای ریاضی: متریک فاصله Math Prerequisites: Distance Metrics

• مجموعه داده تصادفی: ایجاد مجموعه داده Random Dataset: Generating the Dataset

• مجموعه داده تصادفی: تجسم مجموعه داده Random Dataset: Visualizing the Dataset

• مجموعه داده تصادفی: طبقه بندی Random Dataset: Classification

• مجموعه داده تصادفی: چگونه یک تساوی را بشکنیم Random Dataset: How to Break a Tie

• مجموعه داده تصادفی: مناطق تصمیم Random Dataset: Decision Regions

• مجموعه داده تصادفی: انتخاب بهترین K-value Random Dataset: Choosing the Best K-value

• مجموعه داده تصادفی: جستجوی شبکه Random Dataset: Grid Search

• مجموعه داده تصادفی: عملکرد مدل Random Dataset: Model Performance

• KNeighbors Classifier: Assignment KNeighbors Classifier: Assignment

• نظریه با یک مثال عملی Theory with a Practical Example

• KNN در مقابل رگرسیون خطی: یک مسئله خطی KNN vs Linear Regression: A Linear Problem

• KNN در مقابل رگرسیون خطی: یک مسئله غیر خطی KNN vs Linear Regression: A Non-linear Problem

• Neighbors Regressor: Assignment KNeighbors Regressor: Assignment

• مزایا و معایب Pros and Cons

درختان تصمیم گیری و جنگل های تصادفی Decision Trees and Random Forests

• درخت در علوم کامپیوتر چیست؟ What is a Tree in Computer Science?

• مفهوم درختان تصمیم The Concept of Decision Trees

• درختان تصمیم در یادگیری ماشین Decision Trees in Machine Learning

• درختان تصمیم: جوانب مثبت و منفی Decision Trees: Pros and Cons

• مثال عملی: مجموعه داده Iris Practical Example: The Iris Dataset

• مثال عملی: ایجاد درخت تصمیم Practical Example: Creating a Decision Tree

• مثال عملی: ترسیم درخت Practical Example: Plotting the Tree

• شهود معیارهای درخت تصمیم: ناخالصی جینی Decision Tree Metrics Intuition: Gini Inpurity

• معیارهای درخت تصمیم: به دست آوردن اطلاعات Decision Tree Metrics: Information Gain

• هرس درختان: مقابله با بیش از حد مناسب Tree Pruning: Dealing with Overfitting

• جنگل تصادفی به عنوان یادگیری گروهی Random Forest as Ensemble Learning

• بوت استرپینگ Bootstrapping

• از Bootstrapping تا Random Forests From Bootstrapping to Random Forests

• جنگل تصادفی در کد - مجموعه داده شیشه ای Random Forest in Code - Glass Dataset

• داده ها و درآمد سرشماری - پیش پردازش Census Data and Income - Preprocessing

• آموزش درخت تصمیم Training the Decision Tree

• آموزش جنگل تصادفی Training the Random Forest

ماشین‌های بردار پشتیبانی Support Vector Machines

• مقدمه ای بر پشتیبان ماشین های برداری Introduction to Support Vector Machines

• معرفی SVM ها Intro to SVMs

• کلاس های قابل جداسازی خطی - مشکل حاشیه سخت Linearly separable classes - hard margin problem

• کلاس های غیرخطی قابل تفکیک - مشکل حاشیه نرم Non-linearly separable classes - soft margin problem

• مشکل حاشیه نرم Soft margin problem

• هسته ها - شهود Kernels - Intuition

• هسته ها Kernels

• مقدمه ای بر مورد عملی Intro to the practical case

• پیش پردازش داده ها Preprocessing the data

• تقسیم داده ها به قطار و تست و مقیاس گذاری مجدد Splitting the data into train and test and rescaling

• پیاده سازی SVM خطی Implementing a linear SVM

• پیاده سازی SVM خطی Implementing a linear SVM

• تجزیه و تحلیل نتایج - ماتریس سردرگمی، دقت، و یادآوری Analyzing the results– Confusion Matrix, Precision, and Recall

• اعتبار سنجی متقابل Cross-validation

• انتخاب کرنل ها و مقادیر C برای اعتبارسنجی متقابل Choosing the kernels and C values for cross-validation

• تنظیم فراپارامتر با استفاده از GridSearchCV Hyperparameter tuning using GridSearchCV

• ماشین های بردار پشتیبانی - تکلیف Support Vector Machines - Assignment

رگرسیون ریج و کمند Ridge and Lasso Regression

• بررسی اجمالی تحلیل رگرسیون Regression Analysis Overview

• اضافه برازش و چند خطی Overfitting and Multicollinearity

• مقدمه ای بر منظم سازی Introduction to Regularization

• مبانی رگرسیون ریج Ridge Regression Basics

• مکانیک رگرسیون ریج Ridge Regression Mechanics

• مکانیک رگرسیون ریج Ridge Regression Mechanics

• منظم سازی در سناریوهای پیچیده تر Regularization in More Complicated Scenarios

• مبانی رگرسیون کمند Lasso Regression Basics

• مبانی رگرسیون کمند Lasso Regression Basics

• رگرسیون کمند در مقابل رگرسیون ریج Lasso Regression vs Ridge Regression

• مجموعه داده Hitters: پیش پردازش و آماده سازی The Hitters Dataset: Preprocessing and Preparation

• تجزیه و تحلیل داده های اکتشافی Exploratory Data Analysis

• انجام رگرسیون خطی Performing Linear Regression

• اعتبار سنجی متقابل برای انتخاب یک پارامتر تنظیم Cross-validation for Choosing a Tuning Parameter

• اعتبار سنجی متقابل برای انتخاب یک پارامتر تنظیم Cross-validation for Choosing a Tuning Parameter

• انجام رگرسیون ریج با اعتبارسنجی متقاطع Performing Ridge Regression with Cross-validation

• انجام رگرسیون کمند با اعتبارسنجی متقاطع Performing Lasso Regression with Cross-validation

• مقایسه نتایج Comparing the Results

• جایگزینی مقادیر از دست رفته در DataFrame Replacing the Missing Values in the DataFrame