Machine Learning with Python

معرفی :

 

مخاطبین :

  • فارغ التحصیلان گرایش نرم افزار رشته کامپیوتر
  • علاقمندان به طراحی وب سایت

سرفصل :‌

مروری بر آنالیز داده
  1. مروری بر جبر خطی
  2. مروری بر آنالیز داده
  3. بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد
بررسی روشهای گوناگون آماده سازی مجموعه دادگان
  1. معرفی چالش های موجود در آماده سازی مجموعه دادگان
  2. معرفی روش K FOLD به همراه جداسازی بخشهای مختلف مجموعه داده جهت آموزش و ارزیابی مدل هوشمند
بررسی رویکردهای گوناگون دسته بندی داده ها
  1. بررسی رویکردهای مختلف دسته بندی اطلاعات
    • Binary class classification
    • Multi class classification
    • Multi label classification
    • Multi class Multi label classification
  2. بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی
بررسی رویکرد نزدیکترین همسایه
  1. معرفی رویکرد KNNImputer و استفاده از آن برای پیش پردازش داده ها
  2. معرفی رویکرد KNN در دسته بندی اطلاعات
  3. بیان مزایا و معایب آن
بررسی رویکردهای گوناگون رگرسیون خطی
  1. پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن
  2. بیان مفهوم گرادیان و تابع خطا
  3. معرفی انواع توابع خطا مرسوم در رگرسیون خطی
  4. بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند
  5. بررسی Polynomial Regression
  6. بررسی مفهوم underfitting و overfitting
  7. بررسی مفهوم Early Stopping و پیاده سازی آن
  8. بررسی انواع مختلف Regularization
  9. بررسی و پیاده سازی Logistic Regression
  10. بیان مفهوم Softmax
بررسی رویکرد Support Vector Machine
  1. معرفی SVM و عملکرد آن در دسته بندی اطلاعات
  2. معرفی SVR و عملکرد آن در رگرسیون خطی
  3. بیان مزایا و معایب آن
بررسی رویکرد درخت تصمیم
  1. معرفی رویکرد Decision Tree در دسته بندی اطلاعات
    • بیان نحوه ی کارکرد آن و پیمایش درخت تصمیم
    • بیان مفاهیم آنتروپی، cut off point , ضریب جینی
  2. معرفی رویکرد Decision Tree در رگرسیون خطی
  3. بیان مزایا و معایب این رویکرد
بررسی رویکردهای گوناگون خوشه بندی اطلاعات
  1. معرفی رویکردهای مبتنی بر یادگیری بدون ناظر
  2. معرفی رویکرد KMeans
    • نحوه عملکرد آن
    • نحوه ی ارزیابی آن
    • چالش های این رویکرد و نحوه ی حل آنان
    • معرفی نسخه های ارتقا یافته آن
  3. معرفی رویکرد DBSCAN
    • نحوه عملکرد آن
    • نحوه ارزیابی آن
بررسی رویکردهای مختلف کاهش بعد
  1. بررسی لزوم کاهش بعد در آموزش یک مدل
  2. بررسی کاهش بعد با دیدگاه Projection
    • بررسی رویکرد PCA
  3. بررسی کاهش بعد با دیدگاه Manifold
    • بررسی رویکرد LLE
بررسی رویکردهای ترکیبی Ensemble Methods
  1. بررسی رویکرد Random Forest
  2. بررسی رویکرد Adaptive Boost
  3. بررسی مزایا و معایب آن
بررسی ساختارهای گوناگون شبکه های عصبی – مقدماتی
  1. معرفی Tensorflow
    • بیان نحوه ی کارکرد Tensorflow
    • انواع مختلف متغیر در Tensorflow
    • مفهوم Session و عملکرد آن در Tensorflow
    • مدیریت گراف ها
    • پیاده سازی یک مثال برای دسته بندی اطلاعات
    • پیاده سازی یک مثال برای رگرسیون خطی
    • ذخیره و بازیابی مجدد مدل
    • نمایش گراف و روال آموزش با Tensorboard
  2. بررسی کارکرد شبکه های عصبی
    • بیان ساختار نورون و عملکرد آن در مغز
    • بیان انواع توابع آتش در نورون ها و بررسی آن
    • بررسی روال Back Propagation
    • پیاده سازی ساختار های مختلف یک شبکه عصبی جهت دسته بندی اطلاعات توسط numpy
    • پیاده سازی ساختار های مختلف یک شبکه عصبی جهت رگرسیون خطی توسط numpy
بررسی ساختارهای گوناگون شبکه های عصبی – پیشرفته
  1. معرفی KERAS
  2. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS
  3. ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS
  4. نمایش گرافیکی یک مدل طراحی شده در KERAS
  5. ذخیره و بازیابی یک مدل در KERAS
  6. نحوه ی ارزیابی عملکرد یک مدل در KERAS

مدت :‌ 50 ساعت

 

پیش نیاز:

آشنا به آمار و احتمال ریاضی

برنامه نویسی پایتون

آنالیز داده

برای ثبت نام اینجا کلیک کنید

ارتباط با دپارتمان

تلفن تماس = 02634127

گروه نرم افزار و سیستم های هوشمند: 122

09032648676

ict@mftalborz.ir