آموزش یادگیری ماشین کاربردی: الگوریتم ها

معرفی Introduction

• آنچه شما باید بدانید What you should know

• یادگیری ماشین کاربردی: الگوریتم ها Applied machine learning: Algorithms

1. خوشه بندی 1. Clustering

• ارزیابی K K evaluation

• چالش: از KNN استفاده کنید Challenge: Apply KNN

• الگوریتم های دیگر Other algorithms

• راه حل: از KNN استفاده کنید Solution: Apply KNN

• درک خوشه ها Understanding clusters

• ک-یعنی K-means

2. PCA 2. PCA

• اجزاء Components

• ساختار اجزاء Structure of components

• راه حل: از PCA استفاده کنید Solution: Utilize PCA

• طرح پراکنده Scatter plot

• الگوریتم های دیگر Other algorithms

• چالش: از PCA استفاده کنید Challenge: Utilize PCA

• PCA PCA

3. رگرسیون خطی 3. Linear Regression

• چالش: یک مدل رگرسیون خطی ایجاد کنید Challenge: Develop a linear regression model

• الگوریتم رگرسیون خطی Linear regression algorithm

• مفروضات Assumptions

• scikit-یادگیری scikit-learn

• مثال در دنیای واقعی Real-world example

• راه حل: یک مدل رگرسیون خطی ایجاد کنید Solution: Develop a linear regression model

4. رگرسیون لجستیک 4. Logistic Regression

• چالش: یک مدل رگرسیون لجستیک بسازید Challenge: Construct a logistic regression model

• الگوریتم رگرسیون لجستیک Logistic regression algorithm

• مثال اساسی Basic example

• مفروضات Assumptions

• راه حل: یک مدل رگرسیون لجستیک بسازید Solution: Construct a logistic regression model

5. درختان تصمیم 5. Decision Trees

• راه حل: یک مدل درخت تصمیم طراحی کنید Solution: Design a decision tree model

• Random Forest و XGBoost Random Forest and XGBoost

• چالش: طراحی یک مدل درخت تصمیم Challenge: Design a decision tree model

• الگوریتم درخت تصمیم Decision tree algorithm

• مثال در دنیای واقعی Real-world example

نتیجه Conclusion

• مراحل بعدی Next steps