آموزش کامل ماشین لرنینگ
یادگیری کامل Machine Learning با پایتون از مقدماتی تا پیشرفته؛ مفاهیم، الگوریتمها و پروژههای عملی
در این دوره، ماشین لرنینگ را از صفر تا صد یاد میگیرید. از مفاهیم پایه مثل انواع یادگیری و آمادهسازی داده تا الگوریتمهای رگرسیون، دستهبندی، خوشهبندی و مباحث پیشرفته مثل Ensemble و یادگیری تقویتی، همه چیز را با مثالهای عملی پایتون و کتابخانه scikit-learn فرا میگیرید.
فهرست مباحث این دوره
- ماشین لرنینگ چیست؟
- انواع یادگیری ماشین
- شروع کار با پایتون برای ماشین لرنینگ
- NumPy برای ماشین لرنینگ
- Pandas برای ماشین لرنینگ
- مصورسازی داده با Matplotlib
- آشنایی با scikit-learn
- داده در ماشین لرنینگ
- بارگذاری و بررسی داده
- پاکسازی داده (Data Cleaning)
- مقیاسبندی ویژگیها (Feature Scaling)
- کدگذاری دادههای دستهای (Encoding)
- مهندسی ویژگی (Feature Engineering)
- تقسیم داده: Train و Test
- رگرسیون چیست؟
- رگرسیون خطی ساده
- رگرسیون خطی چندگانه
- ارزیابی رگرسیون
- دستهبندی چیست؟
- رگرسیون لجستیک
- الگوریتم KNN (نزدیکترین همسایهها)
- درخت تصمیم (Decision Tree)
- جنگل تصادفی (Random Forest)
- SVM (ماشین بردار پشتیبان)
- Naive Bayes
- مقایسه دستهبندها
- یادگیری بدون نظارت چیست؟
- خوشهبندی K-Means
- خوشهبندی سلسلهمراتبی
- تحلیل مؤلفههای اصلی (PCA)
- ماتریس درهمریختگی (Confusion Matrix)
- معیارهای ارزیابی دستهبندی
- ROC و AUC
- اعتبارسنجی متقابل و تنظیم هایپرپارامتر
- بایاس و واریانس
- Gradient Descent
- یادگیری ترکیبی (Ensemble Learning)
- یادگیری تقویتی (Reinforcement Learning)
- شبکههای عصبی و یادگیری عمیق (مفهومی)
- پروژه ۱: پیشبینی قیمت خانه
- پروژه ۲: دستهبندی گلهای Iris
- پروژه ۳: بخشبندی مشتریان
- گامهای بعدی