
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 :
- دوره مبانی و مقدمات هوش مصنوعی
- زبان برنامه نویسی پایتون
نظرات کاربران در رابطه با این دوره