آموزش یادگیری ماشین با پایتون - درس هفتم: یادگیری نظارت شده (الف)

توضیحات:

برای کسب اطلاعات بیشتر، به این لینک مراجعه نمایید:
#http://www.faradars.org/fvml9606

امروزه، یادگیری ماشینی در اکثر صنایع و کسب و کارها مورد استفاده قرار می گیرد و تصمیمات بسیار تأثیرگذار دنیای امروز بر اساس پردازش ها و نتایج به دست آمده از یادگیری ماشینی است. همچنین زبان برنامه نویسی پایتون (Python) با رشد و گسترده تر شدن روزافزون جامعه کاربری اش، بستر بسیار مناسبی جهت فعالیت های یادگیری ماشینی را فراهم کرده است.

در این فرادرس سعی داریم در ابتدا بسته های شناخته شده پایتون را معرفی و سپس کار با توابع آن ها را بیاموزیم و در انتها، مباحث یادگیری ماشینی را با مثال های متعدد در پایتون فرا بگیریم.


سرفصل های مورد بحث در این فیلم آموزشی عبارتند از:
درس یکم: مقدمه ای در رابطه با یادگیری ماشین
یادگیری ماشین چیست؟
کاربردهای فعلی یادگیری ماشین
خطرات هوش مصنوعی
مرور مطالب دوره
آشنایی با ژوپیتر نوت بوک
درس دوم: آشنایی با بسته NumPy
آشنایی با Array و Matrix ها
عملگرهای محاسباتی
آشنایی با Broadcasting
اعداد تصادفی
دنباله ها
کار با مجموعه ها
کار با چند جمله ای ها
درس سوم: آشنایی با بسته Pandas
انواع دیتا استراکچرها در پانداز
ایجاد سری ها
اندیکس ها و مقادیر در سری ها
ایجاد دیتافریم ها (Data Frames)
ایندکس ها و مقادیر در دیتافریم ها
ویرایش دیتافریم ها
ریست کردن، تغییر نام، مرتب کردن ایندکس ها
اعمال تابع به دیتافریم ها
درس چهارم: ترسیم داده ها
آشنایی با بسته matplotlib
آشنایی با Line Plot
آشنایی با Scatter Plot
آشنایی با Histogram Plot
آشنایی با Pie Chart
ویرایش نمودارها
رسم چند نمودار روی هم
رسم چند نمودار در کنار هم
آشنایی با بسته seaborn
آشنایی با Strip Plot
آشنایی با Swarm Plot
آشنایی با Box Plot
آشنایی با Joint Plot
آشنایی با Pair Plot
درس پنجم: آشنایی مقدماتی با مباحث آماری
آشنایی با نمودار Bar Plot و تفاوت های آن با Histogram
آشنایی با نمودار ECDF) Empirical distribution function)
میانه، میانگین، صدک، واریانس، انحراف معیار
کواریانس و ارتباط بین متغیرها
ضریب پیرسون
آشنایی با بسته SciPy
ضریب همبستگی رتبه ای اسپیرمن
تست کای اسکوئر Chi Square
فرضیه صفر و فرضیه مقابل
آشنایی با P-Value
آشنایی با مفهوم احتمال
تولید اعداد شبه تصادفی
آشنایی با Random Walk
آشنایی با توزیع نرمال
درس ششم: پیش پردازش داده ها
کار با مجموعه داده اطلاعات کشورها
داده های خالی (Missing Values)
داده های تکراری (Duplicated Values)
الحاق دو دیتافریم به یکدیگر (Concatenating)
آشنایی با Cross Tabulation
آشنایی با Pivot Table
آشنایی با Dummy variables
نرمال کردن داده ها
داده های پرت Outliers)‎)
درس هفتم: یادگیری نظارت شده
آشنایی با مفهوم یادگیری نظارت شده و انواع روش های آن
آشنایی با دیتاست آیریس (Iris)
طبقه بندی با استفاده از الگوریتم KNN
بررسی روش های مختلف محاسبه فاصله
ارزیابی مدل
آشنایی با Overfitting و Underfitting
طبقه بندی با استفاده از الگوریتم Decision Tree
رگرسیون
آشنایی با دیتاست Boston House Prices
آشنایی با Mean squared error
تکنیک K-fold Crossover Validation
آشنایی با Regularization Regression
آشنایی با Ridge Regression
آشنایی با Lasso Regression
آشنایی با Confusion Matrix
آشنایی با دیتاست Wisconsin Breast Cancer
طبقه بندی با استفاده از Logistic Regression
آشنایی با ROC Curve و AUC
بهینه سازی هایپر پارامترها
آشنایی با Grid Search Cross-validation و Randomized Search Cross-validation
آشنایی با قضیه بیز
درس هشتم: یادگیری غیر نظارت شده
آشنایی با مفهوم یادگیری غیر نظارت شده
خوشه بندی با استفاده از K-Means
ارزیابی مدل
آشنایی با مفهوم اینرسی
خوشه بندی با استفاده از Hierarchical Clustering
خوشه بندی با استفاده از Mean Shift
خوشه بندی با استفاده از DBSCA
درس نهم: کاهش ابعاد
آشنایی با PCA
از بین بردن همبستگی بین متغیرها
بعد ذاتی
آشنایی با SVD
آشنایی با SparseArray و TFIDF
خوشه بندی متن ها
آشنایی با NMF
کاهش ابعاد متن، اعداد، تصاویر
ساخت یک سیستم توصیه گر (Recommender system)

مدرس: مهندس سعید مظلومی راد

لغات کلیدی:

آموزش, یادگیری, ماشین, (Machine, Learning), با, پایتون, (Python)

درباره ما | تماس با ما | قوانین تخته سفید