آموزش مبانی یادگیری ماشین - آخرین آپدیت

مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

• درگاه ورود به دوره Gateway to the Course

• ویدئوی معرفی دوره و مدرس Course and Instructor Introduction Video

• مقدمه‌ای بر بیان مسئله Introduction to Problem Statement

• چگونه پیش‌بینی می‌کنیم؟ How do we Make Predictions?

• متدولوژی ارزیابی پیش‌بینی‌ها Methodology of Evaluating Predictions

• مقدمه‌ای بر تقسیم‌بندی داده‌ها Introduction to Data Division

• ساخت مدل‌های بنچمارک و ارزیابی آن‌ها Building Benchmark Models and Evaluating It

• آشنایی با یادگیری ماشین Introduction to Machine Learning

• کاربردهای یادگیری ماشین Applications of Machine Learning

• انواع یادگیری ماشین Types of Machine Learning

ساخت اولین مدل یادگیری ماشین (ML) برای راهکارهای Synergix Building Your First Machine Learning (ML) Model for Synergix Solutions

• گردش کار (Workflow) یادگیری ماشین ML Workflow

• وظایفی که باید انجام شوند Tasks to be Performed

• ترکیب داده‌های ویژگی‌های محصول با داده‌های POS Combining Product Attribute Data with POS Data

• ترکیب تمامی جداول در دیتافریم Combining all the tables in the Dataframe

• درک داده‌های ترکیبی Understanding the Combined Data

• مدیریت مقادیر گم‌شده - بخش اول Treating Missing Values - Part 1

• مدیریت مقادیر گم‌شده - بخش دوم Treating Missing Values Part 2

• تشخیص و مدیریت داده‌های پرت (Outlier) Outlier Detection and Treatment

• آماده‌سازی مجموعه داده برای مدل‌های نظارت شده و نظارت نشده Preparing the Dataset for Supervised and Unsupervised Models

• هوش مصنوعی مولد برای تحلیل داده‌ها Generative AI for Data Analysis

• مقدمه‌ای بر الگوریتم KNN Introduction to KNN

• ساخت مدل kNN Building a kNN model

• انتخاب مقدار بهینه K Choosing the Optimal K

• روش‌های مختلف محاسبه فاصله Different Ways to Calculate Distance

• مشکلات الگوریتم‌های مبتنی بر فاصله Problems with Distance Based Algorithm

• استفاده از Sklearn برای ایجاد فرآیند بهینه ساخت مدل ML Sklearn to build Optimal Process to Build an ML Model

• ساخت مدل طبقه‌بندی Knn و ارزیابی آن Building a Knn classification model and evaluating it

• انتخاب مقدار صحیح K Choosing the right K value

• بایاس (Bias) و واریانس (Variance) Bias and Variance

ارزیابی مدل‌های پیش‌بینی Evaluating Prediction Models

• درک ماتریس اغتشاش (Confusion Matrix) و دقت (Accuracy) Understanding Confusion Matrix and Accuracy

• بررسی عمیق Precision، Recall و F1 Score A deep dive into Precision, Recall and F1 Score

• درک منحنی AU ROC Understanding the AU-ROC curve

• چرا RMSE را محاسبه می‌کنیم؟ Why do we calculate RMSE

• درک امتیاز R2 و Adjusted R2 Understanding R2 Score and Adjusted R2 Score

• تقسیم داده‌ها به آموزش و تست (Train Test Split) Train-Test Split

• نسبت و محدودیت تقسیم آموزش و تست Train-Test split ratio and limit

• اعتبارسنجی متقاطع (Cross validation) Cross validation

• پیاده‌سازی اعتبارسنجی متقاطع Implementing Cross validation

• مدل‌های بنچمارک Benchmark Models

رگرسیون خطی و لجستیک Linear and Logistic Regression

• مقدمه‌ای بر رگرسیون خطی Introduction to Linear Regression

• اهمیت شیب و عرض از مبدأ در رگرسیون خطی Significance of Slope and Intercept in the linear regression

• مدل چگونه بهترین خط برازش را پیدا می‌کند؟ How Model Decides The Best-Fit Line

• ساخت یک مدل رگرسیون خطی ساده Let’s Build a Simple Linear Regression Model

• درک مدل با استفاده از رویکرد توصیفی - ۱ Model Understanding Using Descriptive Approach

• درک مدل با استفاده از رویکرد توصیفی - ۲ Model Understanding Using Descriptive Approach - II

• ساخت مدل با استفاده از رویکرد پیش‌بینی‌کننده Model Building Using Predictive Approach

• مقدمه Introduction

• تبدیل خطوط به منحنی با رگرسیون لجستیک Lines to Curves with Logistic Regression

• تحلیل منحنی‌ها با Log Loss Reading Between the Curves with Log Loss

• خلاصه مدل آماری (Stats Model) Stats Model Summary

• انتخاب ویژگی و مقیاس‌بندی (Scaling) Feature Selection and Scaling

• مدل پیش‌بینی‌کننده در رگرسیون لجستیک Predictive model in Logistic Regression

درخت‌های تصمیم برای راهکارهای Synergix Decision Trees for Synergix Solution

• مقدمه‌ای بر درخت‌های تصمیم Introduction to Decision Trees

• بصری‌سازی درخت تصمیم Let’s Visualize The Decision Tree

• درخت‌های تصمیم چگونه تصمیم می‌گیرند؟ How Do Decision Trees Decide?

• درخت‌های تصمیم چگونه پیش‌بینی می‌کنند؟ How Decision Trees Make Predictions?

• کارگاه عملی: ساخت مدل طبقه‌بندی درخت تصمیم Hands on: Building the Decision Tree Classification Model

• هایپرپارامترهای درخت‌های تصمیم Hyperparameters of Decision Trees

• کارگاه عملی: ساخت مدل طبقه‌بندی درخت تصمیم - بخش دوم Hands on: Building the Decision Tree Classification Model - Part 2

• ساخت مدل رگرسیون درخت تصمیم Building a Decision Tree Regression Model

• مدیریت مجموعه‌داده‌های نامتوازن (Imbalanced Datasets) Handling Imbalanced Datasets

• کارگاه عملی مدیریت مجموعه‌داده‌های نامتوازن Handling Imbalanced Datasets - Hands on

مقدمه‌ای بر یادگیری نظارت نشده Introduction to Unsupervised Learning

• تعیین زمینه و بستر Setting the Context

• انتخاب الگوریتم‌های خوشه‌بندی Choosing Clustering Algorithms

• حل مسئله با استفاده از k-means - بخش اول Solving our Problem using k-means - Part 1

• حل مسئله با استفاده از k-means - بخش دوم Solving our Problem using k-means - Part 2

• یافتن مقدار بهینه K Finding optimal K value

• تحلیل و استخراج بینش بر اساس نمودار Analysis and Insights Based on the Plot

• مقدمه‌ای بر تحلیل خوشه‌بندی سلسله‌مراتبی (HCA) Introduction to Hierarchical Clustering Analysis (HCA)

• حل مسئله با استفاده از خوشه‌بندی سلسله‌مراتبی Solving our Problem using Hierarchical Clustering

• مقدمه‌ای بر DBSCAN Introduction to DBSCAN

• حل مسئله با استفاده از خوشه‌بندی DBSCAN Solving our Problem using DBSCAN Clustering

• جمع‌بندی دوره Course Summary