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
