سرفصل های آموزشی دوره جامع یادگیری ماشین

بخش اول: مقدمه ای بر یادگیری ماشین

  • تعریف یادگیری ماشین
  • بررسی تاریخچه مدل های معروف یادگیری ماشین
  • کاربردهای یادگیری ماشین در پزشکی، موتور های جستجو، OCR و …
  • معرفی Pattern recognition در گرایش ارشد هوش مصنوعی

بخش دوم: انواع مدل های یادگیری ماشین

  • یادگیری با نظارت یا  Supervised Learning
  • یادگیری بدون نظارت یا  Unsupervised Learning
  • یادگیری نیمه نظارتی یا  Semisupervised Learning

بخش سوم : Data (انواع داده ها)

  • انواع داده ها
  • داده های Categorical
  • داده های Nominal
  • داده های Text
  • داده های Ordinal
  • داده های سری زمانی یا Time series
  • میانگین ، مد ، واریانس ، انحراف معیار و چارک ها و…
  • مصور سازی داده ها Data visualization
  • Histogramm
  • بررسی کتابخانه Panda و Numpy در پایتون برای مصور سازی داده ها

بخش چهارم : Data preprocessing

  • Data cleaning پاکسازی داده ها
  • data augmentation
  • داده های کثیف
  • Outlier Detection
  • Missing value داده های بدون مقدار یک Feature
  • Duplicated Data داده های تکراری
  • Noise detection (تشخیص و کاهش نویز)
  • گسسته سازی داده
  • نمونه برداری یا Sampling و انواع روش های نمونه برداری داده ها

بخش پنجم : Classification (دسته بندی)

  • معرفی مفهوم Class و Label
  • مفهوم Feature ها
  • بررسی دیتاست های Tabel based

بخش ششم : رگرسیون خطی Linear Regression

  • تک متغیره
  • چند متغیره
  • پروژه های سری های زمانی در پایتون با پکیج SK Learn
  • و….

بخش هفتم : رگرسیون لجستیک

بخش هشتم : Ensemble learning (یادگیری تجمعی)

بخش نهم : Clustering (خوشه بندی)

بخش دهم : Performance Measure (معیار های کارایی مدل های یادگیری ماشین)

  • روش های ارزیابی مدل های یادگیری ماشین
  • معیار های Test
  • مفهوم Overfitting
  • مفهوم Underfitting
  • استراتژی های Test
  • معیار های Test

بخش یازدهم : Genetic algorithm

بخش دوازدهم : SVM یا Suport vector machine

 

پیشنیاز های دوره:

  • دوره جامع برنامه نویسی پایتون با تمرکز بر هوش مصنوعی و یادگیری ماشین
  • دوره جامع هوش مصنوعی و سیستم های خبره

منبع اصلی دوره

Introduction to Machine Learning by Ethem Alpaydin