رفتن به محتوا
مبانی یادگیری ماشین و پیاده سازی در پایتون
هفته اول
مفاهیم و مقدمات درس نمونه
مقدمه ای بر یادگیری ماشین
دسته بندی کلی الگوریتم ها
دسته بندی بر اساس کاربردها
معرفی دوره پیش رو
مفاهیم پایه و تئوری
مروری بر ریاضیات جبر خطی
تئوری بهینه سازی و روشهای آن
مروری بر تئوری احتمالات
هفته دوم
رگرسیون Regression – بخش اول
مقدمه
مبانی رگرسیون خطی
پیاده سازی رگرسیون خطی در پایتون
مبانی رگرسیون غیرخطی
پیاده سازی رگرسیون غیرخطی در پایتون
هفته سوم
مدل‌های دسته‌بند احتمالاتی – بخش اول
مقدمه ای بر مدل‌های احتمالاتی
مدل‌های احتمالاتی مولد
مدل‌های احتمالاتی جداکننده
پیاده سازی مدل‌های مولد در پایتون
پیاده سازی مدل‌های جداکننده در پایتون
رگرسیون Regression – بخش دوم
مبانی رگرسیون مقاوم
پیاده سازی رگرسیون مقاوم در پایتون
تنظیم مدل رگرسیون
تنظیم مدل رگرسیون در پایتون
هفته چهارم
پروژه عملی
پروژه نمونه در مبحث رگرسیون
بارگذاری پروژه رگرسیون
مدل‌های دسته‌بند احتمالاتی – بخش دوم
آنالیز ریسک در مدل‌های احتمالاتی
پیاده سازی آنالیز ریسک در پایتون
مدل‌های غیرپارامتریک
پیاده سازی مدل‌های غیرپارامتریک در پایتون
هفته پنجم
مقدمه ای بر دسته بندی
مرور کلی بر مبحث دسته بندی
مدل‌های دسته‌بند خطی
روش پرسپترون و حداقل مربعات
روش آنالیز خطی فیشر
پیاده سازی روش پرسپترون و حداقل مربعات در پایتون
پیاده سازی آنالیز خطی فیشر در پایتون
پروژه عملی
پروژه نمونه مبحث دسته بندی
بارگذاری پروژه دسته بندی
هفته ششم
مدل ماشین بردار پشتیبان SVM
مقدمه ای بر SVM
بهینه سازی مقید
کاربرد SVM در طبقه بندی
پیاده سازی SVM-Classification در پایتون
کاربرد SVM در رگرسیون
پیاده سازی SVM-Regression در پایتون
پروژه عملی
پروژه نمونه اول: SVM در رگرسیون
پروژه نمونه دوم: SVM در طبقه بندی
بارگذاری پروژه تمرینی SVM
هفته هفتم
شبکه‌های عصبی مصنوعی
مقدمه ای بر شبکه عصبی
ساختار شبکه‌های عصبی
بهینه‌سازی مبتنی بر مشتق
گرادیان نزولی Gradient Descent
مفهوم Back Propagation
شبکه‌های عصبی باور عمیق
پیاده‌سازی دسته بندی با شبکه عصبی در پایتون
پیاده‌سازی رگرسیون با شبکه عصبی در پایتون
پروژه عملی
پروژه نمونه اول: شبکه عصبی در دسته بندی
پروژه نمونه دوم: شبکه عصبی در رگرسیون
بارگذاری پروژه شبکه عصبی
هفته هشتم
درخت تصمیم گیری
مقدمه ای بر درخت تصمیم
شاخه بندی – Splitting
ضریب جینی – Gini Index
آنتروپی – Entropy
خطای دسته بندی
مزیت ها و معایب درخت تصمیم
هرس کردن درخت تصمیم
کاربرد درخت تصمیم در رگرسیون
پروژه عملی
پروژه نمونه اول: درخت تصمیم در دسته بندی
پروژه نمونه دوم: درخت تصمیم در رگرسیون
بارگذاری پروژه درخت تصمیم
هفته نهم
مهندسی ویژگی Feature Engineering
پیاده سازی PCA در پایتون
کاهش ابعاد به روش PCA
مفهوم و کاربرد Autoencoder ها
پیاده سازی Autoencoders در پایتون
بارگذاری پروژه مهندسی ویژگی
مقدمه ای بر مهندسی ویژگی
خوشه بندی Clustering
مقدمه ای بر خوشه بندی
معیارهای سنجش فاصله
محاسبه فاصله
خوشه بندی مبتنی بر افراز فضا
خوشه بندی سلسله مراتبی
خوشه بندی مبتنی بر چگالی DB-Scan
پیاده‌سازی خوشه بندی در پایتون
بارگذاری پروژه خوشه‌بندی
هفته دهم
مباحث تکمیلی
مقدمه ای بر مباحث تکمیلی
تنظیم سازی L2
تنظیم سازی L1
افزایش داده ها – Data Augmentation
تقویت هایپر پارامترها
مدل ترکیبی Bagging
مدل ترکیبی Boosting
ارزیابی مدل
تقویت هایپر پارامترها در پایتون
اجرای مدل Bagging در پایتون
اجرای مدل Boosting در پایتون
موضوع بعدی

مفاهیم و مقدمات

  1. مبانی یادگیری ماشین و پیاده سازی در پایتون
  2. مفاهیم و مقدمات

داکیومنت های مرتبط با این درس:

  • اسلایدهای مبحث مفاهیم و مقدمات یادگیری ماشین
محتوای درس
۰% تکمیل‌شده ۰/۴ مرحله
مقدمه ای بر یادگیری ماشین
دسته بندی کلی الگوریتم ها
دسته بندی بر اساس کاربردها
معرفی دوره پیش رو
بازگشت به دوره
موضوع بعدی
درخواست مشاوره رایگان ×

برای دریافت مشاوره رایگان، فرم زیر را پر کنید تا کارشناسان ما با شما تماس بگیرند.

    Call Center