دوره آموزش ماشین لرنینگ با پایتون از صفر تا ساخت مدل‌های واقعی

تفاوت هوش مصنوعی، ماشین لرنینگ و دیپ لرنینگ، انواع مسائل یادگیری ماشین، یادگیری نظارت‌شده و بدون نظارت و آشنایی با جریان کامل یک پروژه ML.

مرور میانگین، واریانس، توزیع، احتمال، بردار، ماتریس، مشتق و مفاهیم ضروری برای درک رفتار الگوریتم‌ها بدون ورود به اثبات‌های سنگین.

آرایه‌ها، DataFrame، خواندن فایل‌ها، فیلتر و گروه‌بندی داده، تبدیل ستون‌ها، ادغام جداول و آماده‌سازی داده برای تحلیل.

بررسی ساختار دیتاست، آمار توصیفی، توزیع متغیرها، همبستگی، تشخیص داده پرت و رسم نمودار با Matplotlib و ابزارهای مصورسازی.

مدیریت داده‌های گمشده، داده تکراری، Outlier، تبدیل متغیرهای دسته‌ای، Scaling، Train/Test Split و جلوگیری از Data Leakage.

ساخت ویژگی‌های جدید، انتخاب ویژگی‌های مؤثر، حذف ویژگی‌های زائد، Feature Importance و آماده‌سازی ورودی مدل.

Linear Regression، Polynomial Regression، بررسی ضرایب، خطا، Residual، MAE، MSE، RMSE و مقایسه مدل‌های رگرسیون.

Logistic Regression، KNN، SVM، معیارهای Accuracy، Precision، Recall، F1 Score، ROC و Confusion Matrix.

Decision Tree، Random Forest، Bagging، Boosting، کنترل عمق درخت، اهمیت ویژگی‌ها و مقایسه مدل‌های Ensemble.

انتخاب متریک مناسب، مقایسه مدل‌ها، خطای آموزش و آزمون، تفسیر نمودارها و تحلیل کیفیت پیش‌بینی.

K-Fold Cross Validation، Bias و Variance، Underfitting، Overfitting، Regularization و انتخاب مدل قابل تعمیم.

تشخیص عدم توازن کلاس‌ها، انتخاب متریک مناسب، Class Weight، روش‌های نمونه‌برداری و مقایسه نتایج قبل و بعد از Balancing.

KMeans، انتخاب تعداد خوشه، Elbow Method، Silhouette Score، تحلیل خوشه‌ها و کاربرد خوشه‌بندی در دسته‌بندی مشتریان.

مفهوم کاهش ابعاد، استانداردسازی، Principal Components، Explained Variance و مصورسازی داده‌های چندبعدی.

ساخت Pipeline استاندارد، اتصال پیش‌پردازش به مدل، GridSearchCV، Randomized Search و ثبت تنظیمات بهترین مدل.

بررسی ضرایب مدل، Feature Importance، تحلیل خطا، توضیح نتیجه برای مخاطب غیرفنی و مستندسازی تصمیم‌های مدل‌سازی.

ذخیره مدل و Pipeline، بارگذاری مجدد، دریافت داده جدید، اجرای پیش‌بینی و ساخت رابط ساده برای استفاده از مدل.

ساخت Repository، مدیریت نسخه‌ها، فایل requirements، ساخت README، ثبت نتایج و آماده‌سازی پروژه برای رزومه.

انتخاب دیتاست، پاک‌سازی، تحلیل، مهندسی ویژگی، ساخت Pipeline، آموزش چند مدل، ارزیابی، بهینه‌سازی، ذخیره مدل و ارائه نهایی.

آشنایی مقدماتی با عامل، محیط، پاداش و Q-Learning و بررسی پیش‌نیازهای ورود به شبکه‌های عصبی، Deep Learning و MLOps.