دوره آموزشی یادگیری ماشین (Machine Learning)

🤖 سرفصل‌های دوره یادگیری ماشین (Machine Learning)

📌 مقدمه
🔹 مقدمه‌ای بر یادگیری ماشین و کاربرد آن در حوزه‌های علمی متفاوت
🔹 یادگیری باناظر، یادگیری بی‌ناظر، یادگیری نیمه‌ناظر، یادگیری تقویتی
🔹 مراحل انجام پروژه‌های یادگیری ماشین

🧹 آماده‌سازی داده‌ها
🔹 تکنیک‌های جمع‌آوری و پالایش داده‌ها
🔹 تغییر شکل و کاهش داده‌ها
🔹 مهندسی ویژگی (Feature Engineering)

📊 روش‌های رده‌بندی
🔹 درختان تصمیم
🔹 رده‌بندی مبتنی بر قواعد
🔹 ماشین بردار پشتیبان (SVM)
🔹 قاعده بیز
🔹 نزدیک‌ترین نمونه (KNN)
🔹 رگرسیون

🔗 روش‌های تلفیقی
🔹 Bagging (استقلالی)
🔹 Boosting (تقویتی)

📐 ارزیابی مدل‌ها
🔹 تقسیم داده به آموزش، اعتبارسنجی و تست
🔹 معیارها: Accuracy، Precision، Recall

📦 خوشه‌بندی (Clustering)
🔹 K-Means و نسخه‌های مختلف آن
🔹 خوشه‌بندی سلسله‌مراتبی
🔹 DBSCAN
🔹 خوشه‌بندی نرم
🔹 ارزیابی کیفیت خوشه‌بندی

🔁 الگوهای داده
🔹 الگوهای مکرر و قواعد انجمنی
🔹 مقدمه یادگیری نیمه‌ناظر و تقویتی
🔹 داده‌های غیرساخت‌یافته (متن، صوت، تصویر، ویدئو)

🧪 سرفصل‌های عملی دوره

🐍 ابزارها و محیط
🔹 نصب Python و Jupyter Notebook
🔹 آشنایی با NumPy و Pandas

📈 تحلیل و بصری‌سازی
🔹 Matplotlib و Seaborn

📉 رگرسیون
🔹 Linear Regression
🔹 Multivariable Linear Regression

🧼 پیش‌پردازش داده
🔹 استانداردسازی (Standardization)
🔹 Scaling

🧠 الگوریتم‌ها
🔹 KNN
🔹 SVM
🔹 Decision Tree
🔹 Random Forest
🔹 XGBoost
🔹 K-Means
🔹 DBSCAN