سر فصل مطالب
· مقدمه ای در رابطه با یادگیری ماشین
o یادگیری ماشین چیست؟
o کاربردهای فعلی یادگیری ماشین
o مرور نقشه راه
o آشنایی محیط برنامه نویسی
· آشنایی با کتابخانه های پایتون در ماشین لرنینگ
o کتابخانه numpy
o کتابخانه pandas
o کتابخانه matplotlib
o کتابخانه seaborn
· مفاهیم آماری و جبری مقدماتی
o شاخص های آماری ( میانه، میانگین، صدک، واریانس، انحراف معیار)
o ماتریس
o عملیات جبری بر روی ماتریس ها
o وارون ماتریس
o رگریسیون و همبستگی
o محاسبه خطاهای آماری
o احتمال
o احتمال شرطی
o تست کای Chi
o توزیع های آماری
· جمع آوری دیتا، پیش پردازش و مصور سازی دیتا
o کار با مجموعه داده اطلاعات کشورها
o داده های خالی (Missing Values)
o داده های تکراری (Duplicated Values)
o الحاق دو دیتافریم به یکدیگر (Concatenating)
o نرمال کردن داده ها
o داده های پرت(Outlier)
· یادگیری نظارت شده
o آشنایی با مفهوم یادگیری نظارت شده و انواع روش های آن
o آشنایی با مفهوم Classification
o آشنایی با مفهوم Regression
o آشنایی با Stochastic Gradient Descent
o آشنایی با Linear regression
o آشنایی با Regularization regression
o آشنایی با KNN
o آشنایی با Decision tree
o آشنایی با Support Vector Machine
o آشنایی با LassoRegression
o آشنایی با Bayesian Regression
o آشنایی با Logistic regression
o آشنایی با Confusion matrix
o آشنایی با مفهوم Overfitting – Underfitting
· یادگیری نظارت نشده
o آشنایی با مفهوم یادگیری نظارت نشده و انواع روش های آن
o آشنایی با مفهوم Clustering
o آشنایی با مفهوم Dimension Reduction
o آشنایی با K-means
o آشنایی باhierarchical clustering
o آشنایی با Meanshift
o آشنایی با DBSCAN
o Principal Component Analysis (PCA)
· انجام صفر تا صد یک پروژه
· پروژه پایانی