یادگیری ماشینی عملی در زبان Python

یادگیری ماشین فقط برای تشخیص پیامک پیش بینی یا تشخیص صدای گوشی های هوشمند مفید نیست.
یادگیری ماشین با دستان دست ها
یادگیری ماشین چیست؟
اصطلاحات یادگیری ماشین
طبقه بندی در مقابل رگرسیون چیست؟
ارزیابی خطای خطای طبقه بندی عملکرد
ارزیابی معیارهای خطای رگرسیون عملکرد
نظارت بر یادگیری
> اعتبار سنجی متقابل و واریانس تعویض
استفاده از Matplotlib و Seeborn برای تجسم داده ها
یادگیری ماشین با Scikit Learn
الگوریتم رگرسیون خطی
الگوریتم رگرسیون لجستیک
K نزدیکترین همسایگان الگوریتم

عنوان اصلی : Practical Machine Learning using Python by Manas Dasgupta

سرفصل های دوره :

1. مقدمه ای بر یادگیری ماشینی:
1. مقدمه ای بر یادگیری ماشینی
2. اصطلاحات یادگیری ماشین
3. تاریخچه یادگیری ماشین
4. موارد و انواع استفاده از یادگیری ماشین
5. نقش داده ها در یادگیری ماشینی
6. چالش های یادگیری ماشین
7. چرخه زندگی یادگیری ماشین و خطوط لوله
8. مشکلات رگرسیون
9. مدل های رگرسیون و معیارهای عملکرد
10. مسائل طبقه بندی و معیارهای عملکرد
11. بهینه سازی معیارهای طبقه بندی
12. تعصب و واریانس
2. پایتون برای علم داده و یادگیری ماشین:
1. مقدمه ای بر پایتون
2. شروع با پایتون با نوت بوک Jupyter
3. متغیرها و شرایط پایتون
4. تکرارهای پایتون 1
5. تکرارهای پایتون 2
6. لیست های پایتون
7. تاپل های پایتون
8. دیکشنری پایتون 1
9. دیکشنری پایتون 2
10. مجموعه پایتون 1
11. مجموعه پایتون 2
12. آرایه های Numpy 1
13. آرایه های Numpy 2
14. آرایه های Numpy 3
15. پانداها سری 1
16. پانداها سری 2
17. پانداها سری 3
18. پانداها سری 4
19. Pandas DataFrame 1
20. Pandas DataFrame 2
21. Pandas DataFrame 3
22. Pandas DataFrame 4
23. Pandas DataFrame 5
24. Pandas DataFrame 6
25. توابع تعریف شده توسط کاربر پایتون
26. توابع لامبدا پایتون
27. توابع Python Lambda و عملیات تاریخ-زمان
28. عملیات رشته پایتون
3. رگرسیون خطی:
1. مقدمه رگرسیون خطی
2. آموزش و تابع هزینه
3. توابع هزینه و نزول گرادیان
4. رگرسیون خطی - رویکرد عملی
5. توابع مقیاس بندی ویژگی و هزینه
6. فرضیات و تست OLS
7. پیش بینی قیمت خودرو
8. آماده سازی و تجزیه و تحلیل داده ها 1
9. آماده سازی و تجزیه و تحلیل داده ها 2
10. آماده سازی و تجزیه و تحلیل داده ها 3
11. مدل ساختمان
12. ارزیابی و بهینه سازی مدل
13. بهینه سازی مدل
4. رگرسیون لجستیک:
1. مقدمه رگرسیون لجستیک
2. مدل لاجیت
3. مطالعه موردی Churn Telecom
4. تجزیه و تحلیل داده ها و مهندسی ویژگی
5. ساخت مدل لجستیک
6. ارزیابی مدل - AUC-ROC
7. بهینه سازی مدل
8. بهینه سازی مدل
5. الگوریتم طبقه بندی ساده بیز:
1. مدل احتمال ساده بیز
2. محاسبات احتمال ساده بیز
3. مطالعه موردی فرسایش کارکنان
4. مدل سازی و بهینه سازی
6. الگوریتم درخت تصمیم:
1. درخت تصمیم - مفهوم مدل
2. درخت تصمیم - مراحل یادگیری
3. شاخص جینی و معیارهای آنتروپی
4. هرس و تنظیم فراپارامتر
5. مطالعه موردی مجموعه داده عنبیه
6. بهینه سازی مدل با استفاده از Grid Search Cross Validation
7. الگوریتم گروه تصادفی جنگل:
1. تکنیک های گروه کیسه کشی و جنگل تصادفی
2. هرس و بهینه سازی مراحل تصادفی جنگل
3. ساخت مدل و تنظیم فراپارامتر با استفاده از Grid Search CV
4. بهینه سازی ادامه دارد
8. ماشین بردار پشتیبانی:
1. پشتیبانی از مفاهیم ماشین بردار
2. پشتیبانی از متریک ماشین بردار و SVM چند جمله ای
3. 84 پروژه ماشین بردار پشتیبانی 1
4. پشتیبانی از پیش بینی ماشین بردار
5. ماشین بردار پشتیبانی - طبقه بندی داده های چند جمله ای
9. کاهش ابعاد - تجزیه و تحلیل مؤلفه های اصلی (PCA):
1. تجزیه و تحلیل مؤلفه های اصلی - مفاهیم
2. تجزیه و تحلیل مؤلفه اصلی - محاسبات 1
3. تجزیه و تحلیل مؤلفه اصلی - محاسبات 2
4. عملی تجزیه و تحلیل مؤلفه های اصلی
10. یادگیری بدون نظارت با K-Means Clustering:
1. یادگیری بدون نظارت - K-Mean Clustering
2. K-Means Clustering Computing
3. بهینه سازی خوشه بندی K-Means
4. K-Means - آماده سازی و مدل سازی داده ها
5. K-Means - بهینه سازی مدل
11. مقدمه ای بر یادگیری عمیق:
1. مقدمه ای بر یادگیری عمیق