دوره آموزش Data analysis and Machine Learning

سرفصل دوره آموزش Machine Learning with Python

مروری بر آنالیز داده

1. مروری بر جبر خطی
2. مروری بر آنالیز داده
3. بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد.

بررسی روشهای گوناگون آماده سازی مجموعه دادگان

1. معرفی چالش های موجود در آماده سازی مجموعه دادگان
2. معرفی روش K FOLD به همراه جداسازی بخشهای مختلف مجموعه داده جهت آموزش و ارزیابی مدل هوشمند

بررسی رویکردهای گوناگون دسته بندی داده ها

    1.بررسی رویکردهای مختلف دسته بندی اطلاعات

• Binary Class Classification
• Multi Class Classification
• Multi lable Classification
• Multi Class Multi lable Classification

    2. بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی

بررسی رویکرد نزدیکترین همسایه

1. معرفی KNNImputerr و استفاده از آن برای پیش پردازش داده ها
2. معرفی رویکرد KNN در دسته بندی اطلاعات
3. بیان مزایا و معایب آن

بررسی رویکردهای گوناگون رگرسیون خطی

1. پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن
2. بیان مفهوم گرادیان و تابع خطا
3. معرفی انواع توابع خطا مرسوم در رگرسیون خطی
4. بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند
5. بررسی Polynomial Regression
6. بررسی مفهوم Over fitting و Under fitting
7. بررسی مفهوم Early Stopping  و پیاده سازی آن
8. بررسی انواع مختلف Regularization
9. بررسی و پیاده سازی Logistic Regression
10. بیان مفهوم Soft max

بررسی رویکرد Support Vector Machine

1. معرفی SVM و عملکرد آن در دسته بندی اطلاعات
2. معرفی SVR و علکرد آن در رگرسیون خطی
3. بیان مزایا و معایب آن

بررسی رویکرد درخت تصمیم

1. معرفی رویکرد Decision Tree در دسته بندی اطلاعات
2. بیان نحوه ی کارکرد آن و پیمایش درخت تصمیم
3. بیان مفاهیم آنتروپی، cut off point، ضریب جینی
4. معرفی رویکرد Decision Tree در رگرسیون خطی
5. بیان مزایا و معایب این رویکرد

بررسی رویکردهای گوناگون خوشه بندی اطلاعات

     1.معرفی رویکردهای مبتنی بر یادگیری بدون ناظر

     2.معرفی رویکرد KMeans

• نحوه ی عملکرد آن
• نحوه ی ارزیابی آن
• چالش های این رویکرد و نحوه ی حل آنان
• معرفی نسخه های ارتقایافته ی آن

    3. معرفی رویکرد DBSCAN

• نحوه ی عملکرد آن
• نحوه ی ارزیابی آن

بررسی رویکردهای مختلف کاهش بعد

1. بررسی لزوم کاهش بعد در آموزش یک مدل
2. بررسی کاهش بعد با دیدگاه Projection
3. بررسی رویکرد PCA
4. بررسی کاهش بعد با دیدگاه Manifold
5. بررسی رویکرد LLE

بررسی رویکردهای ترکیبی Ensemble Methods

1. بررسی رویکرد Random Forest
2. بررسی رویکرد Adaptive Boost
3. بررسی مزایا و معایب آن

بررسی ساختارهای گوناگون شبکه های عصبی-مقدماتی

     1.معرفی Tension Flow

• بیان نحوه ی کارکرد Tension Flow
• انواع مختلف متغیر در Tension Flow
• مفهوم Session و عملکرد آن در Tension Flow
• مدیریت گراف ها
• پیاده سازی یک مثال برای دسته بندی اطلاعات
• پیاده سازی یک مثال برای رگرسیون خطی
• ذخیره و بازیابی مجدد مدل
• نمایش گراف و روال آموزش با Tension Board

    2. بررسی کارکرد شبکه های عصبی

• بیان ساختار نورون و عملکرد آن در مغز
• بیان انواع توابع آتش در نورون ها و بررسی آن
• بررسی روال Back Propagation
• پیاده سازی ساختارهای مختلف یک شبکه عصبی جهت دسته بندی اطلاعات توسط numpy
• پیاده سازی ساختارهای مختلف یک شبکه عصبی جهت رگرسیون خطی توسط numpy

بررسی ساختارهای گوناگون شبکه های عصبی-پیشرفته

1. معرفی KERAS
2. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS
3. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS
4. نمایش گرافیکی یک مدل طراحی شده در KERAS
5. ذخیره و بازیابی یک مدل در KERAS
6. نحوه ی ارزیابی عملکرد یک مدل در KERAS