آموزش تحلیل اکتشافی داده‌ها (EDA) برای یادگیری ماشین - آخرین آپدیت

تاریخچه مختصری از هوش مصنوعی مدرن و کاربردهای آن A Brief History of Modern AI and its Applications

• معرفی دوره Course Introduction

• آشنایی با هوش مصنوعی و یادگیری ماشین Introduction to Artificial Intelligence and Machine Learning

• یادگیری ماشین و یادگیری عمیق Machine Learning and Deep Learning

• تاریخچه هوش مصنوعی History of AI

• تاریخچه یادگیری ماشین و یادگیری عمیق History of Machine Learning and Deep Learning

• هوش مصنوعی مدرن Modern AI

• کاربردها Applications

• گردش کار یادگیری ماشین Machine Learning Workflow

بازیابی و پاک‌سازی داده‌ها Retrieving and Cleaning Data

• بازیابی داده‌ها از فایل‌های CSV و JSON Retrieving Data from CSV and JSON Files

• بازیابی داده‌ها از پایگاه‌های داده، APIها و فضای ابری Retrieving Data from Databases, APIs, and the Cloud

• [اختیاری] راهنمای آزمایشگاه: خواندن داده‌ها در Jupyter Notebook بخش اول [Optional] Lab Solution: Reading Data Jupyter Notebook - Part A

• [اختیاری] راهنمای آزمایشگاه: خواندن فایل‌های پایگاه داده بخش دوم [Optional]Lab Solution: Reading in Database Files - Part B

• پاک‌سازی داده‌ها Data Cleaning

• مدیریت مقادیر گم‌شده و داده‌های پرت Handling Missing Values and Outliers

• مدیریت مقادیر گم‌شده و داده‌های پرت با استفاده از باقی‌مانده‌ها (Residuals) Handling Missing Values and Outliers using Residuals

تحلیل اکتشافی داده‌ها و مهندسی ویژگی‌ها Exploratory Data Analysis and Feature Engineering

• مقدمه‌ای بر تحلیل اکتشافی داده‌ها (EDA) Introduction to Exploratory Data Analysis (EDA)

• تحلیل EDA با استفاده از بصری‌سازی EDA with Visualization

• گروه‌بندی داده‌ها برای EDA Grouping Data for EDA

• [اختیاری] راهنمای نوت‌بوک EDA بخش اول [Optional]Solution: EDA Notebook - Part 1

• [اختیاری] راهنمای نوت‌بوک EDA بخش دوم [Optional]Solution: EDA Notebook - Part 2

• [اختیاری] راهنمای نوت‌بوک EDA بخش سوم [Optional]Solution: EDA Notebook - Part 3

• [اختیاری] راهنمای نوت‌بوک EDA بخش چهارم [Optional]Solution: EDA Notebook - Part 4

• مبانی مهندسی ویژگی‌ها و تبدیل متغیرها Feature Engineering and Variable Transformation - Background

• تبدیل متغیرها Variable Transformation

• کدگذاری ویژگی‌ها (Feature Encoding) Feature Encoding

• مقیاس‌بندی ویژگی‌ها (Feature Scaling) Feature Scaling

• تبدیل‌های رایج متغیرها در پایتون Common Variable Transformations in Python

• [اختیاری] راهنمای آزمایشگاه مهندسی ویژگی‌ها بخش اول [Optional] Solution: Feature Engineering Lab - Part 1

• [اختیاری] راهنمای آزمایشگاه مهندسی ویژگی‌ها بخش دوم [Optional] Solution: Feature Engineering Lab - Part 2

• [اختیاری] راهنمای آزمایشگاه مهندسی ویژگی‌ها بخش سوم [Optional] Solution: Feature Engineering Lab - Part 3

آمار استنباطی و تست فرضیات Inferential Statistics and Hypothesis Testing

• مقدمه‌ای بر تخمین و استنباط Estimation and Inference - Introduction

• مثالی از تخمین و استنباط Estimation and Inference - Example

• تخمین و استنباط: پارامتریک در مقابل غیرپارامتریک Estimation and Inference - Parametric vs. Non-Parametric

• توزیع‌های رایج مورد استفاده در تخمین و استنباط Estimation and Inference - Commonly Used Distributions

• آمار فراوانی‌گرا در مقابل آمار بیزی Frequentist vs. Bayesian Statistics

• مقدمه‌ای بر فرضیات Introduction to Hypothesis

• مثالی از تست فرضیه Hypothesis Testing Example

• تفسیر بیزی در مثال تست فرضیه Bayesian Interpretation of Hypothesis Testing Example

• خطای نوع اول در مقابل خطای نوع دوم Type 1 vs Type 2 Error

• اصطلاحات تست فرضیه Hypothesis Testing Terminology

• سطح معناداری و مقادیر P-Value Significance Level and P-Values

• سطح معناداری، P-Value و آماره F Significance Level and P-Values and the F Statistic

• [اختیاری] دموی تست فرضیه بخش اول [Optional] Hypothesis Testing Demo - Part 1

• [اختیاری] دموی تست فرضیه بخش دوم [Optional] Hypothesis Testing Demo - Part 2

• همبستگی در مقابل علیت Correlation vs Causation

پروژه نهایی Final Project