در این دوره 40 ساعته  یادگیری ماشین ، شما با موارد زیر آشنا خواهید شد:

مقدمه:

• چیستی هوش مصنوعی و یادگیری ماشین
• تاریخچه و سیر تکامل یادگیری ماشین
• کاربردهای یادگیری ماشین در صنایع مختلف
• دسته‌بندی مسائل قابل حل با یادگیری ماشین

مبانی یادگیری ماشین:

• پروژه: پیش‌بینی قیمت مسکن با استفاده از رگرسیون خطی
• انواع الگوریتم های یادگیری ماشین (یادگیری تحت نظارت، بدون نظارت، تقویتی، عمیق)
• ارزیابی مدل های یادگیری ماشین (معیارهای ارزیابی، cross-validation، holdout، تنظیم و بهینه‌سازی مدل)

یادگیری تحت نظارت:

• رگرسیون خطی:
  • مدل خطی ساده، چندجمله‌ای درجه دو، رگرسیون خطی چند متغیره، ماتریس کواریانس و واریانس
  • پروژه: پیش‌بینی تقاضا برای یک محصول با استفاده از رگرسیون خطی
• رگرسیون لجستیک:
  • تابع سیگموئید، تابع هزینه لجستیک، بهینه‌سازی تابع هزینه با روش گرادیان کاهشی
  • پروژه: تشخیص تقلب در تراکنش های بانکی با استفاده از رگرسیون لجستیک
• درخت های تصمیم:
  • ساختار درخت تصمیم، الگوریتم ID3 و C4.5، هرس درخت تصمیم، مزایا و معایب درخت های تصمیم
  • پروژه: پیش‌بینی نوع آب و هوا با استفاده از درخت تصمیم
• k نزدیکترین همسایه (k-NN):
  • الگوریتم k-NN، انتخاب k مناسب، محاسبه فاصله بین نقاط، کاربرد k-NN در مسائل طبقه‌بندی و رگرسیون
  • پروژه: توصیه فیلم به کاربران با استفاده از k-NN
• ماشین های بردار پشتیبان (SVM):
  • فضای ماکسیمم حاشیه، تابع هسته، الگوریتم SVM با هسته خطی، SVM با هسته غیرخطی، کاربرد SVM در مسائل طبقه‌بندی و رگرسیون
  • پروژه: تشخیص دست خط با استفاده از SVM
• جنگل تصادفی:
  • ساختار جنگل تصادفی، آموزش درخت‌های تصمیم در جنگل، پیش‌بینی با استفاده از جنگل تصادفی، مزایا و معایب جنگل تصادفی
  • پروژه: پیش‌بینی نرخ بیکاری با استفاده از جنگل تصادفی
• یادگیری گروهی:
  • الگوریتم Bagging، الگوریتم Boosting، Stacking، کاربرد یادگیری گروهی برای بهبود دقت مدل
  • پروژه: بهبود دقت مدل رگرسیون خطی با استفاده از Bagging

یادگیری بدون نظارت:

• خوشه بندی k-means:
  • الگوریتم k-means، انتخاب k مناسب، ارزیابی کیفیت خوشه بندی، کاربرد k-means در تجزیه و تحلیل داده
  • پروژه: خوشه‌بندی مشتریان بر اساس رفتار خرید آنها
• تحلیل مؤلفه های اصلی (PCA):
  • ماتریس کواریانس، وکتورهای ویژه و مقادیر ویژه، کاهش بعد داده با استفاده از PCA، کاربرد PCA در فشرده‌سازی داده و تجسم داده
  • پروژه: فشرده‌سازی تصاویر با استفاده از PCA
• الگوریتم k_means:
  • الگوریتم k_means، مزایا و معایب الگوریتم k_means، کاربرد الگوریتم k_means در خوشه‌بندی داده‌های بزرگ
  • پروژه: خوشه‌بندی ژن‌های بیان بر اساس الگوی بیان آنها
• الگوریتم DB_scan:
  • الگوریتم DB_scan، مفاهیم هسته چگالی و شعاع همسایگی، تشخیص خوشه ها با استفاده از DB_scan، کاربرد DB_scan در خوشه‌بندی داده‌های با شکل نامنظم
  • پروژه: تشخیص ناهنجاری در داده های حسگر