آموزش پشتیبانی از ماشین‌های برداری در پایتون: مفاهیم و کدهای SVM

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

راه اندازی Python و Python Crash Course Setting up Python and Python Crash Course

• نصب پایتون و آناکوندا Installing Python and Anaconda

• منابع دوره Course Resources

• باز کردن نوت بوک Jupyter Opening Jupyter Notebook

• این یک نقطه عطف است! This is a milestone!

• آشنایی با ژوپیتر Introduction to Jupyter

• عملگرهای حسابی در پایتون: مبانی پایتون Arithmetic operators in Python: Python Basics

• رشته در پایتون - قسمت 1 String in Python - Part 1

• رشته ها در پایتون - قسمت 2 Strings in Python - Part 2

• لیست ها، تاپل ها و فهرست ها: اصول پایتون Lists, Tuples and Directories: Python Basics

• کار با کتابخانه Numpy پایتون Working with Numpy Library of Python

• کار با Pandas Library of Python Working with Pandas Library of Python

• کار با کتابخانه Seaborn پایتون Working with Seaborn Library of Python

مبانی یادگیری ماشین Machine Learning Basics

• مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• ساخت یک مدل یادگیری ماشینی Building a Machine Learning Model

طبقه بندی کننده حداکثر حاشیه Maximum Margin Classifier

• جریان دوره Course flow

• مفهوم هایپرپلین The Concept of a Hyperplane

• طبقه بندی کننده حداکثر حاشیه Maximum Margin Classifier

• محدودیت های طبقه بندی کننده حداکثر حاشیه Limitations of Maximum Margin Classifier

دسته بندی بردار پشتیبانی Support Vector Classifier

• پشتیبانی از طبقه بندی کننده های برداری Support Vector classifiers

• محدودیت های دسته بندی بردار پشتیبانی Limitations of Support Vector Classifiers

• امتحان Quiz

ماشین‌های بردار پشتیبانی Support Vector Machines

• ماشین‌های بردار پشتیبانی مبتنی بر هسته Kernel Based Support Vector Machines

• امتحان Quiz

ایجاد مدل ماشین بردار پشتیبان در پایتون Creating Support Vector Machine Model in Python

• مدل های رگرسیون و طبقه بندی Regression and Classification Models

• مجموعه داده برای مسئله رگرسیون The Data set for the Regression problem

• وارد کردن داده ها برای مدل رگرسیونی Importing data for regression model

• درمان ارزش از دست رفته Missing value treatment

• ایجاد متغیر ساختگی Dummy Variable creation

• X-y Split X-y Split

• تست-قطار تقسیم Test-Train Split

• اطلاعات بیشتر درباره تقسیم قطار آزمایشی More about test-train split

• استاندارد سازی داده ها Standardizing the data

• مدل رگرسیون مبتنی بر SVM در پایتون SVM based Regression Model in Python

• مجموعه داده ها برای مشکل طبقه بندی The Data set for the Classification problem

• مدل طبقه بندی - پیش پردازش Classification model - Preprocessing

• مدل طبقه بندی - استانداردسازی داده ها Classification model - Standardizing the data

• مدل طبقه بندی مبتنی بر SVM SVM Based classification model

• تنظیم بیش از حد پارامتر Hyper Parameter Tuning

• هسته چند جمله ای با تنظیم فراپارامتر Polynomial Kernel with Hyperparameter Tuning

• هسته شعاعی با تنظیم فراپارامتر Radial Kernel with Hyperparameter Tuning

پیوست 1: پیش پردازش داده ها Appendix 1: Data Preprocessing

• جمع آوری دانش کسب و کار Gathering Business Knowledge

• کاوش داده ها Data Exploration

• مجموعه داده و دیکشنری داده The Dataset and the Data Dictionary

• وارد کردن داده ها در پایتون Importing Data in Python

• تجزیه و تحلیل تک متغیره و EDD Univariate analysis and EDD

• EDD در پایتون EDD in Python

• درمان پرت Outlier Treatment

• درمان پرت در پایتون Outlier Treatment in Python

• مقدار گمشده Missing Value Imputation

• مقدار گمشده در پایتون Missing Value Imputation in Python

• فصلی بودن در داده ها Seasonality in Data

• تجزیه و تحلیل دو متغیره و تبدیل متغیر Bi-variate analysis and Variable transformation

• تبدیل و حذف متغیر در پایتون Variable transformation and deletion in Python

• متغیرهای غیر قابل استفاده Non-usable variables

• ایجاد متغیر ساختگی: مدیریت داده های کیفی Dummy variable creation: Handling qualitative data

• ایجاد متغیر ساختگی در پایتون Dummy variable creation in Python

• تجزیه و تحلیل همبستگی Correlation Analysis

• تجزیه و تحلیل همبستگی در پایتون Correlation Analysis in Python

• امتحان Quiz

بخش پاداش Bonus Section

• نقطه عطف نهایی! The final milestone!

• سخنرانی پاداش Bonus Lecture