آموزش مدلسازی پایه و ماشین لرنینگ با پایتون

سلام دوستان
دوره آموزش مدل سازی پایه و ماشین لرنینگ، یک دوره آموزشی جامع است که به شما کمک می کند تا با اصول و روش های مدل سازی پایه و مفاهیم اساسی ماشین لرنینگ آشنا شوید. در این دوره، شما با الگوریتم های مختلف مانند رگرسیون خطی، رگرسیون لجستیک، درخت تصمیم و الگوریتم های ذکر شده در سرفصل ها آشنا می‌شود.

با پایان این دوره، شما قادر خواهید بود تا به صورت حرفه ای و با استفاده از الگوریتم های مناسب، مسائل پیچیده را حل کنید.

توجه کنید که سرفصل های ذکر شده کلی میباشید در هر قسمت و هر سرفصل ما پروژه عملی و کاربردی و تکنیک های کد زنی داریم.

سرفصل های دوره :

فصل اول ) پیش پردازش داده‌ها

۱.۱) مباحث تکمیلی pandas و numpy

۱.۲) آشنایی با کتابخانه‌های مرتبط(scikit-learn)

۱.۳) پردازش داده

۱.۴) ارتباط داده همبستگی میان آن‌ها

فصل دوم) الگوریتم های طبقه بندی و رگرسیون

۲.۰) آشنایی و مقدمات طبقه بندی

۲.۱) معرفی الگوریتم svm و استفاده از آن

۲.۲) آموزش معیار های مختلف ارزیابی

۲.۳) معرفی و الگوریتم nkn و استفاده از آن

۲.۴) الگوریتم درخت تصمیم

۲.۵) مفاهیم ریاضی در طبقه بندی ( variance, bias , …)

۲.۶) الگوریتم random forest

۲.۷) الگوریتم AdaBoost

۲.۸) fine tune کردن الگوریتم ها با نگاه دقیق به پارامتر هایش

۲.۹) پردازش متن و زبان طبیغی NLP

۲.۱۰) آشنایی و مقدمات رگرسیون

۲.۱۱ ) الگوریتم های XG boost

۲.۱۲) الگوریتم cat boost

۲.۱۳) خلاصه فصل و جمع بندی

فصل سوم) الگوریتم های خوشه بندی

۳.۱) آشنایی با clustering

۳.۲) الگوریتم Kmeans

۳.۲) اگوریتم DBSCAN

۳.۳) تکنیک RFM

۳.۴)بررسی ریاضیات الگوریتمها و روش کار آن‌ها

۳.۵)متن کاوی و خوشه بندی در متن

۳.۵) Outer detection تشخیص داده‌های نویز

۳.۵) خلاصه فصل و جمع بندی

فصل چهارم) تکنیک های ماشین لرنینگ

۴.۱)کاهش اابعاد

۴.۲)الگوریتم PCA و KERNEL PCA برای کاهش ابعاد

۴.۴) الگوریتم Factor Analysis

۴.۵) الگوریتم های پیشرفته‌تر

۴.۶) داده‌های غیر متوازن و کارکردن با آن‌ها

فصل پنچم) مباحث تکمیلی

۵.۱) طبقه بندی تصویر

۵.۲) طبقه بندی سری های زمانی

۵.۳ الگوریتم های پیشرفته‌تر

پیش نیاز های دوره :

زبان برنامه نویسی پایتون
دوره مبانی و مقدمات هوش مصنوعی

آموزش مدلسازی پایه و ماشین لرنینگ با پایتون