آموزش مبانی یادگیری ماشین - آخرین آپدیت

مقدمه‌ای بر دوره و مدرس Introduction to Course and Instructor

• مقدمه‌ای بر تخصص Introduction to the Specialization

مهندسی ویژگی و ارزیابی مدل Feature Engineering and Model Evaluation

• روز اول: مقدمه‌ای بر مهندسی ویژگی Day 1: Introduction to Feature Engineering

• روز دوم: مقیاس‌بندی و نرمال‌سازی داده‌ها Day 2: Data Scaling and Normalization

• روز سوم: کدگذاری متغیرهای دسته‌ای Day 3: Encoding Categorical Variables

• روز چهارم: تکنیک‌های انتخاب ویژگی Day 4: Feature Selection Techniques

• روز پنجم: ایجاد و تبدیل ویژگی‌ها Day 5: Creating and Transforming Features

• روز ششم: تکنیک‌های ارزیابی مدل Day 6: Model Evaluation Techniques

• روز هفتم: اعتبارسنجی متقابل و تنظیم ابرپارامترها Day 7: Cross-Validation and Hyperparameter Tuning

الگوریتم‌های یادگیری ماشین و پیاده‌سازی‌ها Machine Learning Algorithms and Implementations

• مقدمه‌ای بر الگوریتم‌های یادگیری ماشین Introduction to Machine Learning Algorithms

• پیاده‌سازی رگرسیون خطی در پایتون Linear Regression Implementation in Python

• پیاده‌سازی رگرسیون Ridge و Lasso در پایتون Ridge and Lasso Regression Implementation in Python

• پیاده‌سازی رگرسیون چندجمله‌ای در پایتون Polynomial Regression Implementation in Python

• پیاده‌سازی رگرسیون لجستیک در پایتون Logistic Regression Implementation in Python

• پیاده‌سازی K-نزدیک‌ترین همسایه (KNN) در پایتون K-Nearest Neighbors (KNN) Implementation in Python

• پیاده‌سازی ماشین‌های بردار پشتیبان (SVM) در پایتون Support Vector Machines (SVM) Implementation in Python

• پیاده‌سازی درخت تصمیم در پایتون Decision Trees Implementation in Python

• پیاده‌سازی جنگل تصادفی در پایتون Random Forests Implementation in Python

• پیاده‌سازی تقویت گرادیان در پایتون Gradient Boosting Implementation in Python

• پیاده‌سازی Naive Bayes در پایتون Naive Bayes Implementation in Python

• پیاده‌سازی خوشه‌بندی K-Means در پایتون K-Means Clustering Implementation in Python

• پیاده‌سازی خوشه‌بندی سلسله‌مراتبی در پایتون Hierarchical Clustering Implementation in Python

• پیاده‌سازی DBSCAN در پایتون DBSCAN Implementation in Python

• پیاده‌سازی مدل‌های مخلوط گاوسی در پایتون Gaussian Mixture Models Implementation in Python

• پیاده‌سازی تحلیل مؤلفه‌های اصلی (PCA) در پایتون Principal Component Analysis (PCA) Implementation in Python

• پیاده‌سازی t-SNE در پایتون t-SNE Implementation in Python

• پیاده‌سازی خودرمزگذارها (Autoencoders) در پایتون Autoencoders Implementation in Python

• پیاده‌سازی خودآموزی (Self Training) در پایتون Self-Training Implementation in Python

• پیاده‌سازی Q-Learning در پایتون Q-Learning Implementation in Python

• پیاده‌سازی شبکه‌های Q عمیق (DQN) در پایتون Deep Q-Networks (DQN) Implementation in Python

• پیاده‌سازی روش‌های گرادیان سیاست در پایتون Policy Gradient Methods Implementation in Python

• پیاده‌سازی One Class SVM در پایتون One-Class SVM Implementation in Python

• پیاده‌سازی جنگل ایزوله (Isolation Forest) در پایتون Isolation Forest Implementation in Python

• پیاده‌سازی شبکه‌های عصبی کانولوشنال (CNNs) در پایتون Convolutional Neural Networks (CNNs) Implementation in Python

• پیاده‌سازی شبکه‌های عصبی بازگشتی (RNNs) در پایتون Recurrent Neural Networks (RNNs) Implementation in Python

• پیاده‌سازی حافظه طولانی کوتاه‌مدت (LSTM) در پایتون Long Short-Term Memory (LSTM) Implementation in Python

• پیاده‌سازی ترنسفورمرها در پایتون Transformers Implementation in Python