دوره یادگیری ماشین با ابزار پایتون
Machine learning course with Pythonدسته بندی :
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
نظرات کاربران
بدون دیدگاه User Commentsدیدگاه خود را بنویسید:
Submit a Commentقوانین ارسال دیدگاه در سایت