دوره آموزش یادگیری ماشین با پایتون

آموزش یادگیری ماشین در زبان برنامه نویسی پایتون به صورت کاملاً مفهومی و با تدریس کاملاً روان که باعث میشه دغدغه‌ای باعث فهمیدن مباحث رو نداشته باشید!

 

مشکلاتی که عذاب‌تون میده.

چون من خودم هم در شرایط شما بودم و مشکلات مختلف رو تجربه کردم، حتی قبل از اینکه شما بگید، من می‌تونم بگم مشکلات و دغدغه‌های شما چیست:

اصلی‌ترین مشکلاتی که عذابتون میده.

• اگر دانشجو یا دانش‌آموز هستید: می‌خواید بتونید تمرین‌ها/پروژه‌ها و پایان‌نامه‌ی دانشگاه که حتی شاید رووی اعصاب‌تون هم باشه و هی هر روز هم انجامش رو عقب میندازید رو خودتون انجام بدید.
  • حتی اگر به کسی هم بدید انجام بده، فارغ از اینکه غیراخلاقی است، بعد از اینکه کلی به طرف مقابل پول میدید، احتمالا درست و با کیفیت انجام نمیده و سَمْبَل میکنه و از آخر هم یه نمره درست و حسابی نمی‌گیرید. تازه بماند که استادتون وقتی یه خط‌ش رو هم ازتون بپرسه، نمی‌تونید جواب بدید!!! و چون یه بار برای همیشه نرفتید خودتون یاد بگیرید، ترم‌های بعد هم همین آش و همین کاسه است و این دغدغه و اعصاب‌خوووردی رو هر ترم باید با خودتون یدک بکشید.
• اگر برای کار آینده یا محیط کار فعلی‌تون می‌خواید یاد بگیرید: روز به روز، نیاز به زبان برنامه‌نویسی پایتون، در شرکت‌ها بیشتر میشه (این موضوع رو میتونید در آگهی‌های استخدام ببینید).
  • از تحلیل‌داده، هوش‌مصنوعی، یادگیری ماشین، هوش تجاری گرفته تا اتوماسیون کارها و فرآیند‌ها، حوزه امنیت، حوزه طراحی سایت و اپلیکیشن و الی آخر. و بی‌نهایت بدیهی است که اگر در این رقابت، توانایی کافی نداشته باشید، قطعا بقیه بجای شما، اون موقعیت‌ها رو اِشغال خواهند کرد (چه خوشتون بیاد، چه خوشتون نیاد).
• در زندگی شخصی خودتون هم کلی کارها و مشکلات هست که برنامه‌نویسی می‌تونه اینا رو به سادگی انجام بده.

مشکلات و دغدغه‌هایی که «در طول مسیر» عذابتون میده.

• احتمالا نمی‌دونید از کجا شروع کنید.
• شاید دوره‌هایی رو تا الان گرفتید که مدرس عملا توضیح نمیداده، بلکه از روی کد میخونده! که خب طبیعتا بهتون کمک نکرده که منطق کد رو به صورت مفهومی بفهمید (یه نمونه واضحش مبحث شی‌گرایی است که تقریبا همه افراد، یا اگر نگم همه، قطعا میتونم بگم عموم افراد، باهاش مشکل دارن، در صورتی که اگر مفهومی یاد بگیرید، اتفاقا خیلی ساده است).
• شاید با خودتون بگید، من که پیش‌زمینه برنامه‌نویسی ندارم هم می‌تونم؟!
• اگر در طول دوره برام سوال پیش بیاد و یا به مشکل بخورم چی؟ اون موقع چیکار کنم؟!
• و احتمالا خسته شدید از دوره‌هایی که یکی پس از دیگری میخرید. چون احتمالا دوره اولی که گرفتید، یه سری چیزها رو خوب توضیح نداد و مجبور شدید، دوره بعدی رو بخرید. و بازهم اون هم یه سری چیزها رو خوب توضیح نداد و دوره بعدی رو خریدید. و این دور باطل احتمالا مُدام براتون تکرار شده.

 

با قطعیت میگم که حداقل 90 درصد این مشکلات و دغدغه‌ها رو داشتید. خیلی بدیهی است که  من علم غیب که ندارم که مشکلات شما رو بدونم. ولی همینطور که قبلا هم گفتم، من خودم در همین جایگاه امروز شما بودم. و همه اون چیزهایی که امروز برای شما دغدغه هست یا هنوز براتون دغدغه نیست و بعدا براتون دغدغه میشه رو تجربه کردم.

 

چطور میشه از دونه دونه این مشکلات بگذرید؟

گام 0: اول از همه، اگر از اون دسته افرادی هستید که تبلیغاتی که میگن «بعد از تهیه فلان چیز، 2 ماهه پولدار شوید، استخدام شوید و غیره» رو دوست دارید، لطفا همین الان این صفحه رو ببندید. چون اعتقاد من اینه که اینا ادعاهای پوچ هستن. و خب اگر شما بهش باور دارید، برید سراغ همون‌هایی که این ادعاها رو می‌کنن. ان شاء الله به اون چیزهایی که میگن دو ماهه برسید. اما قبلش یکم فکر کنید. اگر یه سری چیزها دوماهه بدست می‌اومد، هر کی از راه میرسید هم دوماهه جای شما رو میگرفت! اما هدف من بحث فلسفی نیست. گذر زمان بهتون ثابت میکنه. بعد از دوماهی که اون افراد میگن، اگر به چیزی که گفتن رسیدید که خدا رو شکر. اما اگر نرسیدید، لطفا از تجربه‌تون درس بگیرید که یه سری چیزها دوماهه بدست نمیان و اصلا «نباید» دوماهه بدست بیان. اون موقع اگر دوست داشتید، دوباره بیاید اینجا.

 

گام 1: برید ببینید برای کاری که میخواید بکنید چه چیزهایی نیاز دارید. توضیح بیشتر در فایل صوتی زیر:

 

گام 2: بعد که فهمیدید چه چیزهایی برای رسیدن به اون هدف نیاز دارید، برید سراغ یادگیری اون چیزها. من اصراری ندارم که دوره‌ی ما رو بگیرید یا نگیرید. اون تصمیم شماست. وقتی دوست من یا یکی از اعضای خانواده‌م میگه برای پایتون چی یاد بگیرم و من دوره خودمون رو بهش میگم، اون احساس نمیکنه من دارم دغل‌بازی میکنم، چون اون من رو میشناسه. ولی من برای شما غریبه‌ام و شما مدام به من و دوره ما مشکوکید که کاملا هم منطقی است. اما در هر صورت، در ادامه درمورد دوره خودمون یه سری توضیحات بهتون میدم. و همچنین تجربه افراد دیگه‌ای که از دوره ما استفاده کردن رو بیان میکنم. و همچنین یه سری موارد دیگه که بتونید ببینید آیا ما ابزار خوبی برای کمک به شما برای رسیدن به هدفتون هستیم یا نه.

 

این دوره در مورد چیست و به چه دردی میخوره؟

این دوره در مورد یادگیری ماشین با زبان برنامه نویسی پایتون است.

سوال بعدی شما: یادگیری ماشین چیه؟

خیلی از چیزهایی که الان تحت عنوان هوش‌مصنوعی می‌بینید، با یک سری چیزها به اسم «شبکه عصبی» درست میشن (شبکه‌عصبی، خودش کلی نوع داره که هر کدوم برای کارهای مختلف استفاده میشه). و به نظر من، قبل از شبکه عصبی، یک شخص باید یادگیری ماشین رو یاد بگیره.

چندمثال بزنم تا دستتون بیاد:

• فرض کنید شما براساس 4 ویژگی «طول و عرض گلبرگ و طول و عرض کاسبرگ» می‌خواید گونه گلِ زنبق رو پیش‌بینی کنید. این میشه یادگیری ماشین. دراینجا دارید به ماشین سعی می‌کنید یاد بدید تا براساس اون چهار ویژگی بیاید گونه‌ی گل رو پیش‌بینی کنه.
• یا فرض کنید، یک شرکت، اطلاعات تعداد خرید و خجم خرید مشتری‌هاش رو داره. و میخویاد براساس این داده‌ها، مشتری‌هاش رو به 4 گروه تقسیم کنه. این کار رو میتونه با یاذگیری ماشین انجام بده. اون الگوریتمِ یادگیری ماشین، میتونه براساس همون دو ویژگی از مشتری‌ها (تعداد خرید و خجم خرید) بیاد اون مشتری‌ها رو به 4 گروه تقسیم کنه.
• یا فرض کنید یک نفر، میخواد براساس ویژگی‌هایی مانند «میزان سادگی یک فلش‌کارت، تعداد موفقیت‌ها/شکست‌های قبلی در یادآوری یک فلش‌کارت، تعداد مرورهای قبلی، مدت زمانی که طول کشیده تا شخص فلش‌کارت رو تعیین وضعیت کنه و برخی موارد دیگه» می‌خواید مدت زمان بهینه برای مرور بعدی هر فلش‌کارت رو پیش‌بینی کنه. این رو هم یادگیری ماشین میتونه براتون انجام بده. دقیقا مشابه این رو اپلیکیشن مرورِ فلش‌کارت Anki در ورژن‌های جدید خودش اضافه کرده. عملا اون الگوریتم‌های یادگیری ماشین، باتوجه به اون ویژگی‌هایی که گفتم، در گذر زمان که شما از اپلیکیشن استفاده می‌کنید، یاد میگیرن که بهینه‌ترین زمان برای مرور بعدی شما کِی باید باشه
•   یا مثلا فرض کنید، یک سری دکتر، میخوان براساس یک سری داده‌های گذشته، پیش‌بینی کنن که آیا پیوند کبد برای فلان بیمار موفقیت‌آمیز خواهد بود یا نه؟ (دقیقا همین مثال، موضوع پایان‌تامه دوست من بود).
• و کلی مثال دیگه.

 

ما چطور بهتون کمک خواهیم کرد؟

ترکیبی از تئوری و عملی.

در این دوره هم تا حدی تئوری میگیم و هم در عمل با زبان برنامه نویسی پایتون کدنویسی خواهیم کرد. عموم کارمون با پکیج scikit-learn (پکیج فوق العاده مهم پایتون در زمینه یادگیری ماشین) است. ولی با پکیج‌های دیگه پایتون مثل scipy و mixed naive bayes و … هم یه سری کارها می‌کنیم.

توجه داشته باشید که اصلاً اینکه تئوری نگیم و فقط با پایتون کدنویسی کنیم نه شدنی است و نه درست. چون در طول دوره هم می‌بینید که خیلی از تعبیرها، خیلی از دلایل خطاها و دلایل برخی کارها، در بخش تئوری نهفته است. پس قطعاً تئوری هم نیازه. البته از اون طرف بوووم هم نیفتادیم که همش تئوری بگیم. ولی تا حدنیاز تئوری گفتیم و به طور عملی هم که انجام دادیم.

 

مطالب رو می‌تونید به صورت جلسه به جلسه دانلود کنید.

من خودم همیشه یکی از دغدغه‌هام برای یادگیری چیزهای مختلف همین بوده. فرض کنید میخوام شروع کنم به یادگیری زبان برنامه نویسی پایتون. اما نمی‌دونم هر هفته چقدر پیش برم تا با یک روال استاندارد پیش رفته باشم.

به همین دلیل، دوره خودمون رو با همین منطق طراحی کردم. یعنی مباحث و فایل‌های دوره رو جلسه‌بندی کردم تا دقیقا مثل یک کلاسِ درس واقعی باشه و قشنگ بتونید برای یادگیری مباحث، برنامه‌ریزی کنید.

مثلاً فرض کنید امروز میخواید شروع کنید. جلسه اول رو از سایت دانلود می‌کنید و بعد می‌شینید نگاه می‌کنید. بعدش هم جزوه جلسه یک رو میخونید تا مرور بشه. و برای تسلط بیشتر تمرین‌های جلسه یک رو حل می‌کنید. و بعد میرید جلسه بعدی.

 

تفکیک مباحث در قالب فیلم‌های کوتاه برای مرورهای ساده‌تر و یادگیری بهتر.

بجای اینکه مثلاً 10 تا مبحث رو در یک ویدئو 1 ساعته بگیم (که برای مخاطب هم نگاه کردنش خیلی سخته) سعی کردیم مباحث رو در قالب فیلم‌های کوتاه‌تر (عموماً در حدود 10 دقیقه) ضبط کنیم.

• هم بعدها می‌تونید به سادگی از عنوان ویدئو، متوجه بشید در هر ویدئو در مورد چه چیزی صحبت شده. و برای مرور و … خیلی مفیدتره.
• و هم حتی در کتاب‌های روانشناسی (مثل کتاب خُرده عادت‌ها از جیمز کلییر) هم اینو میگن که وقتی شخص با یک فیلم 10 دقیقه‌ای مواجهه، چون یک کار خُرد حساب میشه، تمایلش به انجام اون بیشتره. و بعد از تموم کردن اون فیلم، یه حس پیروزی کوچیک بهش دست میده که خودش باعث میشه اون شخص تمایل بیشتری به ادامه فرآیند داشته باشه.

 

فیلم‌هایی که بهینه ضبط و تدوین شده‌اند.

احتمالاً شما هم با آموزش‌هایی مواجه شدید که در وسط فیلم، تازه مدرس یادش میاد که فلان چیز رو امتحان کنه و تازه یه چیزی رو وسط فیلم، خودش تازه برای اولین‌بار متوجه میشه! و یا یادش میاد فلان چیز غیرمرتبط رو وسط فیلم تعریف کنه (من که زیاد با این موارد مواجه شدم، احتمالا شما هم زیاد مواجه شدید).

فیلم‌های کولاک با تلاش زیاد و صرف وقت زیاد ضبط و تدوین شده‌اند. در بخش تدوین هم، حتی اگر وسط فیلم، من می‌خواستم نفس بگیرم، اون تیکه حذف شده. اگر میخواستیم در بخش آموزش دانلود برخی ابزارها، برای دانلود منتظر بمونیم، اون تیکه سرعتش در تدوین بالا برده شده که وقت شما هدر داده نشه. و تماما فیلم‌ها بهینه ضبط و تدوین شده است.

 

آیا دوره پشتیبانی هم داره؟

هدف من این بوده که قیمت دوره، تا حدی که راه داره زیاد نشه. به همین دلیل پشتیبانی رو جزء خود دوره قرار ندادم. اما شما می‌تونید به صورت جداگانه، اشتراک ماهانه پشتیبانی تهیه کنید و همینطور که دوره رو دارید می‌بینید، سوالات‌تون رو بپرسید. برای کسب اطلاعات بیشتر در این مورد، اینجا کلیک کنید.

 

نظرات افرادی که دوره‌های ما رو تا الان گرفتن.

در زیر بخشی از رضایت‌هایی که شما برامون فرستادید رو قرار میدم.

• اگر می‌بینید تصاویر کیفیت کمتری دارن، دلیلش اینه که کیفیتش رو کم کردیم تا زمان کمتری برای لود صفحه طول بکشه تا شما راحت‌تر باشید.

اول با یک فیلم شروع کنیم:

رضایت دبیرخانه رقابت‌های فتح پرچم (CTF) بنیاد ملی نخبگان از تدریس پایتون:

بریم سراغ بقیه رضایت‌ها:

 

 

 

 

 

 

 

 

رضایت‌های دیگه‌ای هم هست که اینجا آپلود نشده. صرفاً بخشی از اون‌ها اینجا قرار گرفته. اگر کافی نبود و بیشتر دوست داشتید ببینید، می‌تونید برید توی پیج اینستاگرامون، هایلایت «رضایت دوره» رو نگاه کنید. هرچند خیلی موارد هست که حتی اونجا هم هنوز نذاشتیم. اما خب اونجا یه کوچولو بیشتر از بقیه جاها قرار دادیم.

 

درباره مدرس.

من سجاد رحمانی هستم. فارغ التحصیل دانشگاه صنعتی شریف.

موارد زیر رو نه از سر خودنمایی، بلکه به این دلیل میگم که شما احتمالاً با خودتون می‌گید خب چرا باید به این مدرس اعتماد کنم؟ از کجا معلوم که خوب درس بده و درس دادنش خوب باشه. برای همین سعی می‌کنم برخی از سوابق تدریسم رو در زیر بیارم.

سوابق مرتبط با تدریس پایتون من:

• سابقه تدریس پایتون برای رقابت‌های فتح پرچم (CTF) برای بنیاد ملی نخبگان.
• سابقه تدریس یادگیری ماشین با پایتون برای کارگاه‌های کنفرانس بین‌المللی تحقیق در عملیات.
• سابقه تدریس پایتون برای بیش از 10 انجمن علمی برتر کشور (صنعتی شریف، دانشگاه تهران، امیرکبیر، علم و صنعت، فردوسی مشهد، خواجه نصیر، الزهرا و کلی موارد دیگه).
• سابقه تدریس پایتون به زبان انگلیسی برای مخاطب‌های انگلیسی زبان از سال 2020.

 

آیا این دوره پیش‌نیاز دارد؟

بله. دو پیش‌نیاز دارد:

1. دوره زبان برنامه نویسی پایتون خودمون .
2. دوره NMP خودمون . اون دوره NMP مخفف سه پکیج NumPy و Matplotlib و Pandas است که قطعا شخص باید قبل از یادگیری ماشین اون‌ها رو یاد بگیره.

برای مشاهده توضیح بیشتر در مورد هر کدوم از اون دوره‌ها، روی لینک‌های بالا کلیک کنید تا به صفحه اون دوره‌های هدایت بشید. و بتونید توضیحات بیشتر رو در موردشون بخونید.

 

سرفصل های دوره یادگیری ماشین با پایتون چیست؟!

بخش 0: دیتاست !

• دیتاست های مورد استفاده در اختیار شما قرار گرفته است!

بخش 1: پیش پردازش (Preprocessing) در یادگیری ماشین با پایتون !

ادبیات حوزه یادگیری ماشین و خواندن داده در پایتون !

• آشنایی با الفاظ مقدماتی مورد استفاده در یادگیری ماشین! (feature، target و مواردی از این دست…!)
• آشنایی با دیتاست تحلیل تبلیغات !
• خواندن داده در زبان پایتون !

Scale کردن در یادگیری ماشین با زبان برنامه نویسی پایتون !

• مفهوم scale کردن و دلیل ضرورت آن !
• MinMax Scaler با feature range !
• Standard Scaler !
• Z Score !
• Scale کردن دیتاست و ملاحظات و اشتباهات رایج دانشجویان !
• برخی نکات آماری و نقدهای وارده به برخی دستورات بالا !
• صحبت در مورد اینکه کدام Scaling مناسب است؟!
• پیاده سازی موارد بالا در زبان برنامه نویسی پایتون !

بخش 2: کلاس بندی (Classification) در یادگیری ماشین با پایتون !

الگوریتم KNN در یادگیری ماشین !

• توضیح تئوری الگوریتم KNN !
• کدنویسی الگوریتم KNN در پایتون !

پیش بینی و ارزیابی مدل‌های classification در یادگیری ماشین با زبان برنامه نویسی پایتون !

• train test split  و مقهوم و ضرورت آن + پیاده سازی در پایتون !
• مفهوم random state در train test split کردن!
• مفهوم stratify و دلیل ضرورت آن + پیاده سازی در پایتون!
• توضیح مواردی که استفاده از stratify لازم تر می‌شود و دلیل اهمیت آن !
• پیش بینی با استفاده از مدل یادگیری ماشین !
• شاخص صحت (Accuracy) + پیاده سازی در پایتون !
• نقص های Accuracy و موارد بروز این نقص !
• Confusion Matrix و تحلیل آن + پیاده سازی در پایتون!
• Normalized Confusion Matrix و تحلیل آن! + پیاده سازی پایتون !
• Heatmap برای هر دو نوع Confusion Matrix و تحلیل آن ! + پیاده سازی در پایتون !
• شاخص recall و توضیح مفهومی آن + پیاده سازی پایتون !
• شاخص precision و توضیح مفهومی آن + پیاده سازی پایتون !
• شاخص specificity و توضیح مفهومی آن + پیاده سازی پایتون !
• نقص های recall و precision و specificity !
• شاخص f1 و تعبیر مفهومی آن + پیاده سازی در پایتون !
• میانگین هارمونیک و توضیح مفهومی دلیل فرمول شاخص f1 !
• ROC (تئوری کامل و نحوه رسم قدم به قدم)!
• ROC و پیاده سازی در زبان برنامه نویسی پایتون !
• بصری سازی مرزهای تصمیم گیری مدل با meshgrid !
• تمیزسازی کد و ساخت قالب برای استفاده در سایر بخش ها !

Logistic Regression در یادگیری ماشین !

• آشنایی با تئوری + پیاده سازی در پایتون !

درخت تصمیم (Decision Tree) در یادگیری ماشین !

• آشنایی با تئوری + پیاده سازی در پایتون !

الگوریتم Random Forest در یادگیری ماشین !

• آشنایی با  تئوری + پیاده سازی در پایتون!
• مفهوم ensemble learning !

مفاهیم Overfit و Underfit و … !

• مفهوم Overfit و دلیل بروز آن با مثال عملی در پایتون !
• مفهوم Underfit و دلیل بروز آن با مثال عملی در پایتون !
• مفهوم Good fit !
• مفوم random state در مدل ها !

الگوریتم Naïve Bayes در یادگیری ماشین با زبان برنامه نویسی پایتون !

• مروری بر احتمال !
• مروری بر احتمال شرطی !
• مروری بر قانون/قضیه بیز !
• مروری بر قانون احتمال کل !
• مروری بر مفهوم و روابط استقلال در آمار !
• تئوری کامل Naïve Bayes (در حدی که دستی، دونه دونه رو حل میکنیم!)
• تصحیح Laplace و Lidstone !
• مروری بر مفروضات این الگوریتم و نقدهای وارده به آن !
• پیاده سازی Naive Bayes در یک پکیج خاص ! (و بررسی حالات categorical و numeric !)

الگوریتم SVM در یادگیری ماشین با پایتون !

• توضیح مفهومی و خیلی خوب الگوریتم !
• توضیح دلیل قوت الگوریتم SVM !
• آشنایی با Kernel و Kernel Trick !
• آشنایی با Soft Margin در SVM !
• پیاده سازی الگوریتم SVM در زبان برنامه نویسی پایتون !

کار با داده های Categorical در یادگیری ماشین با پایتون !

• داده های nominal با دو مقدار (پیاده سازی در پایتون با دو روش)!
• داده های nominal با بیش از دو مقدار (پیاده سازی در پایتون با دو روش)!
• داده های Ordinal (پیاده سازی در پایتون با دو روش)!
• آشنایی با One Hot و Dummy Variables و تفاوت این دو از منظر گروهی از متخصصین حوزه یادگیری ماشین !
• در نظر گرفتن featureهای categorical در الگوریتم های یادگیری ماشین!
• پاسخ به این سوال: آیا برای one hot ها scale کردن نیاز است؟!

Cross Validation در یادگیری ماشین با پایتون !

• مفهوم Cross Validation !
• تئوری K Fold Cross Validation !
• پیاده سازی پایتون K-Fold Cross Validation با روش اصولی!
• پیاده سازی پایتون Stratified K-Fold Cross Validation با روش اصولی!

کلاس بندی با بیش از دو کلاس (multi-class classification) در یادگیری ماشین با پایتون !

• آشنایی با دیتاست iris !
• آشنایی با multi-class classification + پیاده سازی در پایتون !
• روش های ارزیابی آن !
• راه های تعمیم f1 به multi-class classification !
• راه های تعمیم recall و precision به multi-class classification !
• macro Average و Weighted Average برای برخی شاخص های ارزیابی!

پیش بینی یک داده کاملاً جدید در یادگیری ماشین با پایتون !

• پیش بینی یک داده جدید با کمک مدل های یادگیری ماشین !
• در نظر گرفتن ابعاد داده و سایر مشکلات احتمالی در صورت عدم توجه!

بخش 3: رگرسیون (Regression) در یادگیری ماشین با پایتون !

• آشنایی با دیتاست (برای پیش بینی میزان مصرف سوخت خودرو) !

پیش بینی و ارزیابی مدل‌های رگرسیون در یادگیری ماشین !

• رگرسیون خطی ساده (آشنایی با تئوری + پیاده سازی در پایتون) !

پیش بینی و ارزیابی مدل‌های رگرسیون در یادگیری ماشین با پایتون !

• روش MAE !
• روش MSE !
• روش RMSE !
• روش MAPE و توضیح مفهوم آن !
• روش r2 و توضیح خیلی مفهومی آن !
• صحبت در مورد اینکه کدام شاخص بهتر است؟!
• آیا r2 میتونه منفی بشه؟! اگر آره تعبیرش چیه؟!
• پیاده سازی موارد بالا در زبان برنامه نویسی پایتون !

رگرسیون خطی چند متغیره در یادگیری ماشین !

• رگرسیون خطی چند متغیره (آشنایی با تئوری + پیاده سازی در پایتون) !

رگرسیون چند جمله ای در یادگیری ماشین با پایتون !

• آشنایی با تئوری رگرسیون چند جمله ای!
• تبدیل های خطی آن !
• Polynomial Features !
• پیاده سازی در زبان برنامه نویسی پایتون !

SVR در یادگیری ماشین با پایتون !

• آشنایی با تئوری SVR ! + اشاره به Soft Margin در الگوریتم مذکور !
• پیاده سازی در زبان برنامه نویسی پایتون !

درخت تصمیم برای رگرسیون در یادگیری ماشین با پایتون !

• آشنایی با تئوری + پیاده سازی در پایتون !

Random Forest برای رگرسیون در یادگیری ماشین با پایتون !

• آشنایی با تئوری + پیاده سازی در زبان برنامه نویسی پایتون !

بخش 4: خوشه بندی (Clustering) در یادگیری ماشین با پایتون !

• آشنایی با دیتاست مربوطه برای خوشه بندی مشتریان !

برخی مقدمات مورد نیاز قبل از ورود به بحث خوشه بندی در یادگیری ماشین !

• برخی از روش های محاسبه فاصله مهم !
• روش محاسبه مرکز ثقل !
• آشنایی با مفهوم خوشه بندی !

الگوریتم K-Means در یادگیری ماشین در زبان پایتون !

• تئوری الگوریتم K-Means به صورت قدم به قدم !
• بررسی نقد شروع تصادفی برای K-Means و راهکار مربوطه (K-Means++) !
• بررسی برخی فلاکت های الگوریتم K-Means !
• بررسی روش Elbow برای پیشنهاد k مناسب !
• پیاده سازی الگوریتم K-Means در پایتون (دیتاست خوشه بندی مشتریان) !
• پیاده سازی روش Elbow در پایتون !

پیش بینی برچسب ها و ارزیابی خوشه بندی در یادگیری ماشین با زبان پایتون !

• روش های متفاوت برای پیش بینی برچسب در پکیج scikit-learn !
• روش Silhouette و توضیح دقیق و مفهومی نحوه محاسبه !
• صحبت در مورد مقادیر ممکن شاخص Silhouette و تعبیر آن ها !
• پیاده سازی Silhouette برای ارزیابی خوشه بندی در پایتون !

خوشه بندی سلسله مراتبی در یادگیری ماشین با زبان برنامه نویسی پایتون !

• روش های محاسبه فاصله خوشه‌ها !
• آشنایی با روش های linkage معروف مثل Simple، Complete، Average، Centroid، Ward !
• آموزش قدم به قدم خوشه بندی سلسله مراتبی !
• آموزش قدم به قدم نحوه رسم Dendrogram !
• آموزش پیاده سازی و نحوه ترسیم dendrogram !
• آموزش تعیین تعداد خوشه پیشنهادی با استفاده از روش dendrogram !
• آموزش تحلیل dendrogram !
• آموزش خوشه بندی Agglomerative در پایتون !
• ترسیم نقاط دیتاست + رنگ کردن نقاط طبق خوشه !

بخش 5: کاهش ابعاد در یادگیری ماشین با پایتون !

انتخاب ویژگی در یادگیری ماشین با پایتون !

• توضیح مفهوم Feature Selection !
• توضیخ قدم به قدم روش permutation feature importance برای انتخاب ویژگی !
• توضیح تعابیر مقادیر مختلف شاخص فوق !
• نحوه پیاده سازی permutation feature importance در زبان برنامه نویسی پایتون !

استخراج ویژگی در یادگیری ماشین با پایتون !

• آشنایی با تئوری Principle Component Analysis !
• آشنایی با Kernel PCA !
• آموزش پیاده سازی PCA و Kernel PCA در زبان برنامه نویسی پایتون !
• نشان دادن جایی که استخراج ویژگی باعث بهبود نتایج میشود (به صورت عملی و در قالب یک دیتاست معروف)! و توضیح تعبیر و دلیل آن !

بخش 6: جمع بندی نهایی !

• یک سری نکات نهایی !

 

سوالات پرتکرار شما.

جزوه و تمرین داره؟

جزوه: در حال حاضر خیر.

تمرین: در حاض حاضر خیر.

 

به امید اینکه رضایت 100 درصدی از مجموعه کولاک داشته باشید.