دوره آموزش ماشین لرنینگ با پایتون پروژه محور | از ریاضیات ضروری تا مدل های پیشرفته

فصل 1: مبانی و ریاضیات ضروری

• نگاه کلی به یادگیری ماشین، انواع نظارت شده و بدون نظارت

• مفاهیم بردار و ماتریس، تابع هزینه و شهود گرادیان

• استانداردسازی، نرمال سازی و تبدیل های پرکاربرد

فصل 2: کار با داده در پایتون

• NumPy و Pandas برای بارگذاری و پردازش داده

• مصورسازی سریع با Matplotlib و نمودارهای پایه

فصل 3: رگرسیون

• Linear Regression و Polynomial Regression

• اجرای عملی رگرسیون با پایتون و ارزیابی با MAE و RMSE

فصل 4: طبقه بندی

• Logistic Regression و مفاهیم احتمال

• SVM، KNN، Naive Bayes و درخت تصمیم و Random Forest

• ارزیابی با Accuracy، Precision، Recall، F1 و ROC AUC

فصل 5: خوشه بندی و کاهش بعد

• KMeans و تفسیر خروجی خوشه بندی

• PCA و ایده های Feature Extraction

فصل 6: ارزیابی و تنظیم

• Train Test Split، Cross Validation، Confusion Matrix

• GridSearch و RandomizedSearch، ساخت Pipeline در scikit learn

• کار با داده نامتوازن و روش های بالانس

فصل 7: ساخت دیتاست و پیش پردازش از صفر

• پاک سازی داده، مدیریت مقادیر گمشده، Encoding دسته ای

• ساخت Pipeline پایدار برای داده جدید

فصل 8: مقدمه RL

• مفاهیم وضعیت و عمل و پاداش

• پیاده سازی Q Learning و مشاهده منحنی یادگیری

فصل 9: اجرای برنامه یادگیری ماشین

• تبدیل نوت بوک به اسکریپت، ذخیره مدل و بارگذاری

• ساخت رابط خط فرمان ساده برای اجرای مدل

فصل 10: اجرای صفر تا صد یک برنامه

• جمع بندی و اجرای End to End روی یک سناریوی واقعی