Machine Learning with Python
معرفی :
مخاطبین :
- فارغ التحصیلان گرایش نرم افزار رشته کامپیوتر
- علاقمندان به طراحی وب سایت
سرفصل :
مروری بر آنالیز داده - مروری بر جبر خطی
- مروری بر آنالیز داده
- بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد
بررسی روشهای گوناگون آماده سازی مجموعه دادگان - معرفی چالش های موجود در آماده سازی مجموعه دادگان
- معرفی روش K FOLD به همراه جداسازی بخشهای مختلف مجموعه داده جهت آموزش و ارزیابی مدل هوشمند
بررسی رویکردهای گوناگون دسته بندی داده ها - بررسی رویکردهای مختلف دسته بندی اطلاعات
- Binary class classification
- Multi class classification
- Multi label classification
- Multi class Multi label classification
- بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی
بررسی رویکرد نزدیکترین همسایه - معرفی رویکرد KNNImputer و استفاده از آن برای پیش پردازش داده ها
- معرفی رویکرد KNN در دسته بندی اطلاعات
- بیان مزایا و معایب آن
بررسی رویکردهای گوناگون رگرسیون خطی - پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن
- بیان مفهوم گرادیان و تابع خطا
- معرفی انواع توابع خطا مرسوم در رگرسیون خطی
- بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند
- بررسی Polynomial Regression
- بررسی مفهوم underfitting و overfitting
- بررسی مفهوم Early Stopping و پیاده سازی آن
- بررسی انواع مختلف Regularization
- بررسی و پیاده سازی Logistic Regression
- بیان مفهوم Softmax
بررسی رویکرد Support Vector Machine - معرفی SVM و عملکرد آن در دسته بندی اطلاعات
- معرفی SVR و عملکرد آن در رگرسیون خطی
- بیان مزایا و معایب آن
بررسی رویکرد درخت تصمیم - 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
- معرفی رویکرد Decision Tree در رگرسیون خطی
- بیان مزایا و معایب این رویکرد
بررسی رویکردهای گوناگون خوشه بندی اطلاعات - معرفی رویکردهای مبتنی بر یادگیری بدون ناظر
- 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
- معرفی رویکرد DBSCAN
- نحوه عملکرد آن
- نحوه ارزیابی آن
بررسی رویکردهای مختلف کاهش بعد - بررسی لزوم کاهش بعد در آموزش یک مدل
- بررسی کاهش بعد با دیدگاه Projection
- بررسی رویکرد PCA
- بررسی کاهش بعد با دیدگاه Manifold
- بررسی رویکرد LLE
بررسی رویکردهای ترکیبی Ensemble Methods - بررسی رویکرد Random Forest
- بررسی رویکرد Adaptive Boost
- بررسی مزایا و معایب آن
بررسی ساختارهای گوناگون شبکه های عصبی – مقدماتی - 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
- 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 - معرفی KERAS
- ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS
- ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS
- نمایش گرافیکی یک مدل طراحی شده در KERAS
- ذخیره و بازیابی یک مدل در KERAS
- نحوه ی ارزیابی عملکرد یک مدل در KERAS
مدت : 50 ساعت
پیش نیاز:
آشنا به آمار و احتمال ریاضی
برنامه نویسی پایتون
آنالیز داده
ارتباط با دپارتمان
داخلی کارشناسان گروه
تلفن تماس = 02634127
گروه نرم افزار و سیستم های هوشمند: 122
فضای مجازی گروه
09032648676