جزئیات سرفصل ها
بخش ۱ :مقدمه ای بر یادگیری ماشین

• تعریف مفاهیم پایه: یادگیری ماشین، یادگیری نظارت شده supervised در مقابل نظارت نشده
 .unsupervised
• معرفی چرخه حیات یک پروژه یادگیری ماشین.
• راهاندازی محیط توسعه و آشنایی با کتابخانه های کلیدی (Matplotlib, Pandas, NumPy .)

بخش ۲ :پیش پردازش دادهها 

• پاک سازی داده ها (مدیریت مقادیر تهی و پرت)

• تبدیل دادههای کیفی به کمی (Encoding .)
• نرمال سازی و استانداردسازی ویژگی ها (Scaling Feature .)
• تقسیم بندی دادهها به مجموعههای آموزش (Train )و آزمون( Test .)

بخش ۳ :رگرسیون خطی

• مفهوم رابطه خطی بین متغیرها.
 .Scikit-Learn با Linear Regression سازی پیاده•
• درک تابع هزینه (Function Cost )و الگوریتم گرادیان کاهشی.
• بررسی معیارهای ارزیابی رگرسیون(squared-R, MAE, MSE .)

بخش ۴ :رگرسیون چندجملهای

محدودیت های مدل خطی در دادههای پیچیده.
• پیاده سازی Regression Polynomial برای مدلسازی روابط غیرخطی.
• مفهوم بیش برازش (Overfitting )و کم برازش (Underfitting .)
• تکنیک های تنظیم (Regularization )برای کنترل پیچیدگی مدل.

بخش ۵ :درخت تصمیم

• منطق تصمیم گیری در الگوریتم Tree Decision .
• معیارهای تقسیم بندی (Entropy, Impurity Gini .)
• پیاده سازی و بصری سازی درخت تصمیم برای مسائل طبقه بندی و رگرسیون.
• تکنیک های هرس کردن ( Pruning )برای جلوگیری از Overfitting .

بخش ۶ :ارزیابی و جمع بندی 

 معیارهای ارزیابی در طبقه بندی-F1, Recall, Precision, Matrix Confusion-Score
• اعتبارسنجی متقاطع (Validation-Cross )برای اطمینان از پایداری مدل.
• مرور و تحلیل پروژه های عملی (پیاده سازی کامل یک مدل واقعی روی یک دیتا ِست واقعی)

• پرسش و پاسخ و نقشه راه برای ادامه مسیر در یادگیری ماشین.