دوره یادگیری ماشین با ابزار پایتون

مقدمه

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

معرفی دوره و سرفصل مطالب

فصل اول: مقدمه ، مفاهیم و نصب      

• مقدمه : اهداف دوره
• مفاهیم ( داده کاوی و یادگیری ماشین)
• نصب ابزار پایتون و Anaconda
• آشنایی با پای چارم و نصب آن
• آشنایی با پایتون و دستورات آن
• تعریف شی گرایی و آشنایی با کتابخانه ها و پکیج های پایتون

فصل دوم :تشریح داده

• ورود داده های ساختاریافته و نیمه ساختاریافته
• آشنایی با کتابخانه Matplotlib
• آشنایی با numpy
• رسم نمودار هیستوگرام Hist  و تحلیل توزیع داده ها
• رسم نمودار boxplot , و تشخیص داده های پرت
• رسم نمودار پراکندگی scatter
• رسم نمودار Pie
• رسم نمودار سه بعدی پراکندگی
• تحلیل و تشریح داده ها با مصورسازی

فصل سوم :پیش پردازش( پاکسازی داده ها)

•  نصب کتابخانه های machine learning
•  آشنایی با sklearn
•  مدلسازی با جنگ تصادفی ( مفاهیم و کدنویسی)
• مدلسازی با شبکه عصبی ( مفاهیم و کدنویسی)
•   مدلسازی با کانزدیکترین همسایه ( مفاهیم و کدنویسی)
• مدلسازی با گرادیان بوستینگ  GTB ( مفاهیم و کدنویسی)

فصل چهارم :یادگیری ماشین ( خوشه بندی)  

• الگوریتم کامینز
• روش سلسه مراتبی

فصل پنجم : الگوریتم های قواعد انجمنی

فصل ششم : ارزیابی

•  مفهوم پارامترهای ارزیابی 
•   دقت کل Accuracy
•  ماتریس درهم ریختگی confusion matrix
•  دقت کلاس های مثبت و منفی Recall
•  نمودار Roc
•  نمودار Regplot