آموزش یادگیری ماشین در پایتون Python – مبانی تا پروژه جامع – پیش ثبت نام
0:0:0
0.0
یادگیری ماشین در پایتون را با اجرای یک پروژه عملی یاد بگیرید و با آماده سازی داده، آموزش مدل، ارزیابی عملکرد و استفاده از الگوریتم های یادگیری ماشین آشنا شوید.
در این فرادرس چه چیزی یاد میگیریم؟
در این آموزش، مفاهیم اصلی و کاربردی یادگیری ماشین بهصورت منسجم و مرحلهبهمرحله ارائه میشود و در کنار مباحث نظری، نحوه پیادهسازی...
در این فرادرس چه چیزی یاد میگیریم؟
در این آموزش، مفاهیم اصلی و کاربردی یادگیری ماشین بهصورت منسجم و مرحلهبهمرحله ارائه میشود و در کنار مباحث نظری، نحوه پیادهسازی و استفاده از الگوریتمها در محیط Python نیز آموزش داده خواهد شد. ابتدا مفاهیم پایه، انواع مسائل یادگیری ماشین، داده و فرایند حل یک مسئله یادگیری ماشین معرفی میشوند. سپس مباحث مربوط به تحلیل و پیشپردازش داده، ارزیابی مدلها و مفاهیمی مانند بیشبرازش، cross validation و معیارهای ارزیابی بررسی میشوند.
در ادامه، الگوریتمهای مهم یادگیری نظیر رگرسیون، logistic regression، KNN، Naive Bayes، decision tree، random forest، روشهای ensemble، SVM و شبکههای عصبی مقدماتی آموزش داده میشوند. همچنین مباحث یادگیری بدون نظارت، خوشهبندی، انتخاب ویژگی، کاهش ابعاد با PCA، تشخیص دادههای پرت و قوانین انجمنی نیز پوشش داده خواهند شد.
اهمیت آموزش یادگیری ماشین در پایتون Python چیست؟
یادگیری ماشین یکی از مهمترین حوزههای هوش مصنوعی است که به کمک آن میتوان از دادهها برای شناسایی الگوها، پیشبینی، طبقهبندی و تصمیمگیری استفاده کرد. امروزه یادگیری ماشین در طیف گستردهای از مسائل علمی و صنعتی، از تحلیل و پیشبینی دادهها گرفته تا تشخیص ناهنجاری، سیستمهای پیشنهاددهنده و اتوماسیون فرایندهای تصمیمگیری، کاربرد دارد. به همین دلیل، آشنایی با مفاهیم و الگوریتمهای یادگیری ماشین یکی از مهارتهای مهم برای دانشجویان، پژوهشگران و علاقهمندان حوزه هوش مصنوعی و تحلیل داده به شمار میرود.
فصل یکم: مقدمهای بر یادگیری ماشین
درس ۱: یادگیری ماشین و کاربردهای آن
درس ۲: انواع یادگیری ماشین و مسائل یادگیری
درس ۳: فرایند حل یک مسئله یادگیری ماشین
درس ۴: آشنایی با ابزارها و کتابخانههای یادگیری ماشین در Python
فصل دوم: داده و پیشپردازش
درس ۵: داده، ویژگی و متغیر هدف
درس ۶: تحلیل اکتشافی و آمار توصیفی دادهها
درس ۷: مصورسازی و بررسی روابط بین دادهها
درس ۸: دادههای گمشده و روشهای برخورد با آنها
درس ۹: دادههای کیفی و روشهای Encoding
درس ۱۰: مقیاسبندی ویژگیها
درس ۱۱: دادههای پرت و روشهای شناسایی آنها
درس ۱۲: آمادهسازی نهایی دادهها در Python
فصل سوم: ارزیابی و انتخاب مدل
درس ۱۳: آموزش، اعتبارسنجی و آزمون مدل
درس ۱۴: بیشبرازش، کمبرازش و تعمیمپذیری
درس ۱۵: Cross Validation
درس ۱۶: معیارهای ارزیابی مدلهای طبقهبندی
درس ۱۷: ROC و AUC
درس ۱۸: معیارهای ارزیابی مدلهای رگرسیون
درس ۱۹: ارزیابی و مقایسه مدلها در Python
فصل چهارم: رگرسیون
درس ۲۰: رگرسیون خطی
درس ۲۱: تابع هزینه و گرادیان کاهشی
درس ۲۲: رگرسیون خطی چندمتغیره و Regularization
درس ۲۳: پیادهسازی رگرسیون و Regularization در Python
فصل پنجم: طبقهبندی
درس ۲۴: مفهوم طبقهبندی و مرز تصمیم
درس ۲۵: رگرسیون لجستیک
درس ۲۶: پیادهسازی Logistic Regression در Python
درس ۲۷: الگوریتم Naive Bayes
درس ۲۸: پیادهسازی Naive Bayes در Python
درس ۲۹: K-Nearest Neighbors
درس ۳۰: پیادهسازی KNN در Python
فصل ششم: درخت تصمیم و یادگیری تجمیعی
درس ۳۱: درخت تصمیم و معیارهای تقسیم
درس ۳۲: پیادهسازی و تنظیم Decision Tree در Python
درس ۳۳: یادگیری تجمیعی و Bagging
درس ۳۴: Random Forest
درس ۳۵: Boosting و AdaBoost
درس ۳۶: Stacking و پیادهسازی روشهای Ensemble در Python
فصل هفتم: ماشین بردار پشتیبان
درس ۳۷: ایده اصلی ماشین بردار پشتیبان
درس ۳۸: Soft Margin و پارامترهای SVM
درس ۳۹: Kernel و طبقهبندی غیرخطی
درس ۴۰: پیادهسازی و تنظیم SVM در Python
فصل هشتم: شبکههای عصبی مصنوعی
درس ۴۱: مقدمهای بر شبکههای عصبی و نورون مصنوعی
درس ۴۲: Perceptron و شبکه عصبی چندلایه
درس ۴۳: آموزش مقدماتی شبکه عصبی و Backpropagation
درس ۴۴: پیادهسازی شبکه عصبی در Python
فصل نهم: یادگیری بدون نظارت
درس ۴۵: مفهوم یادگیری بدون نظارت و خوشهبندی
درس ۴۶: K-Means
درس ۴۷: انتخاب تعداد خوشهها و ارزیابی Clustering
درس ۴۸: خوشهبندی سلسلهمراتبی
درس ۴۹: DBSCAN
درس ۵۰: پیادهسازی و مقایسه روشهای خوشهبندی در Python