سرفصل های دوره یادگیری ماشین (Machine Learning)
مقدمه ای بر یادگیری ماشین و کاربرد آن در حوزه های علمی متفاوت.
یادگیری باناظر، یادگیری بی ناظر، یادگیری نیمه ناظر، یادگیری تقویتی.
مراحل انجام پروژه های یادگیری ماشین.
آماده سازی داده ها: تکنیک های جمع آوری و پالایش داده ها، تکنیک های تغییر شکل و کاهش داده ها، مهندسی ویژگی و …
روش های رده بندی: درختان تصمیم، رده بندی مبتنی بر قواعد، ماشین بردار پشتیبان، رده بندی با کمک قاعده بیز، نزدیکترین نمونه، رگرسیون.
روشهای تلفیقی: استقلالی (Bagging) و تقویتی (Boosting) .
چگونگی اِفراز داده ها به سه بخش آموزشی، اعتبارسنجی و آزمایشی. ارزیابی روشهای رده بندی:
محاسبه صحت، دقت، بازخوانی (حساسیت)
روش های خوشه بندی: k-means ، و نسخه های مختلف آن، روش های خوشه بندی سلسله مراتبی،DBSCAN ، خوشه بندی نرم. ارزیابی کیفیت خوشه بندی.
الگوهای مکرر و قواعد انجمنی.
مقدمه ای بر یادگیری نیمه ناظر و یادگیری تقویتی.
مقدمه ای بر داده های غیرساخت یافته (متن، صوت، ویدئو و تصویر) و چگونگی مواجهه با آن در یادگیری ماشین.
سرفصل های بخش عملی دوره یادگیری ماشین:
نصب و راه اندازی Python و jupyter notebook
آشنایی با کتابخانه های Numpy و Pandas
بررسی بصری سازی داده با استفاده از Matplotlib و Seaborn
بررسی روش پیاده سازی رگرسیون خطی Linear Regression و Multivariable Linear Regression
بررسی روش های پیش پردازش داده ها
بررسی standardization و Scaling
بررسی و اجرای الگوریتم های KNN و SVM
بررسی و اجرای الگوریتم های Decision Tree و Random Forest
بررسی و اجرای الگوریتم XGBoost
بررسی الگوریتم های K-Means و DBSCAN
و….