آموزش یادگیری ماشین در پایتون Python – مبانی تا  پروژه جامع – پیش ثبت نام

آموزش یادگیری ماشین در پایتون Python – مبانی تا پروژه جامع – پیش ثبت نام

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.

توضیحات کامل دوره

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
  • فصل دهم: کاهش ابعاد و انتخاب ویژگی
    • درس ۵۱: انتخاب ویژگی و روش‌های آن
    • درس ۵۲: پیاده‌سازی Feature Selection در Python
    • درس ۵۳: مفهوم کاهش ابعاد و Feature Extraction
    • درس ۵۴: تحلیل مولفه‌های اصلی PCA
    • درس ۵۵: پیاده‌سازی PCA و تجسم داده‌ها در Python
  • فصل یازدهم: تشخیص داده‌های پرت و ناهنجاری
    • درس ۵۶: مفهوم Anomaly Detection
    • درس ۵۷: روش‌های آماری و مبتنی بر فاصله
    • درس ۵۸: Isolation Forest
    • درس ۵۹: پیاده‌سازی تشخیص ناهنجاری در Python
  • فصل دوازدهم: قوانین انجمنی
    • درس ۶۰: مفهوم قوانین انجمنی و تحلیل سبد خرید
    • درس ۶۱: Support، Confidence و Lift
    • درس ۶۲: الگوریتم Apriori
    • درس ۶۳: پیاده‌سازی قوانین انجمنی در Python
  • فصل سیزدهم: پروژه جامع یادگیری ماشین
    • درس ۶۴: تعریف مسئله و شناخت داده
    • درس ۶۵: پیش‌پردازش و آماده‌سازی داده‌ها
    • درس ۶۶: آموزش و مقایسه مدل‌ها
    • درس ۶۷: تنظیم Hyperparameter و انتخاب مدل
    • درس ۶۸: ارزیابی نهایی و تحلیل نتایج

سرفصل‌های دوره

این دوره سرفصلی ندارد

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

1 تومان

این دوره شامل:
0:0:0 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:20:27
تعداد امتیازها: 0
تعداد دانشجو: 0
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: