تسلط به یادگیری ماشین پیشرفته و هوش مصنوعی کاربردی

آنچه یاد خواهید گرفت:

• آشنایی با مفاهیم اساسی یادگیری ماشین
• درک یادگیری تقویتی و کاربردهای آن در تصمیم‌گیری 
• آشنایی با یادگیری نظارت شده و نقش آن در مدل‌سازی پیش‌بینی
• تکنیک‌هایی برای آموزش و ارزیابی موثر مدل‌های یادگیری ماشین
• بررسی عمیق رگرسیون خطی و کاربرد آن در تسک های پیش‌بینی
• ارزیابی تناسب مدل‌های یادگیری ماشین برای دقت بهتر
• اعمال تکنیک‌های یادگیری نظارت شده در سناریوهای داده واقعی 
• آشنایی با رگرسیون خطی چندگانه برای مدل‌سازی متغیرهای متعدد
• ارزیابی عملکرد مدل‌های رگرسیون خطی چندگانه
• کاربردهای عملی رگرسیون خطی چندگانه در حل مشکلات کسب‌وکار
• تسلط به رگرسیون لجستیک و استفاده از آن در تسک های طبقه‌بندی
• تکنیک‌های مهندسی ویژگی برای بهبود مدل‌های رگرسیون لجستیک
• کاربرد رگرسیون لجستیک برای طبقه‌بندی و پیش‌بینی.
• درک درختان تصمیم گیری و استفاده از آن‌ها در یادگیری ماشین
• ارزیابی عملکرد درختان تصمیم گیری برای پیش‌بینی‌های بهینه
• اعمال درختان تصمیم گیری برای مشکلات دنیای واقعی در صنایع مختلف
• تسلط به جنگل‌های تصادفی و مزایای آن‌ها برای تسک های پیش‌بینی
• تکنیک‌هایی برای تنظیم فراپارامترها جهت بهینه‌سازی مدل‌های یادگیری ماشین
• ترکیب درختان تصمیم گیری و جنگل‌های تصادفی برای افزایش قدرت پیش‌بینی
• تسلط به ماشین‌های بردار پشتیبان (SVM) برای تسک های طبقه‌بندی
• درک توابع هسته در SVM برای مدیریت داده‌ غیرخطی
• کاربردهای دنیای واقعی ماشین‌های بردار پشتیبان برای مشکلات طبقه‌بندی
• پیاده‌سازی الگوریتم K-نزدیک‌ترین همسایه (KNN) برای یادگیری نظارت شده
• کاربردهای عملی الگوریتم KNN برای طبقه‌بندی و پیش‌بینی
• درک الگوریتم‌های تقویت گرادیان و قدرت آن‌ها در تسک های پیش‌بینی
• تسلط به تنظیم فراپارامترها برای بهبود مدل‌های تقویت گرادیان
• کاربرد تقویت گرادیان در مسائل مختلف یادگیری ماشین
• تسلط به معیارهای ارزیابی برای سنجش عملکرد مدل‌های یادگیری ماشین
• درک و استفاده از منحنی ROC و AUC برای ارزیابی عملکرد مدل
• آشنایی با مفاهیم یادگیری بدون نظارت، با تمرکز بر خوشه‌بندی و کاهش ابعاد
• تسلط به تکنیک‌های تشخیص ناهنجاری برای شناسایی داده‌های پرت.
• تکنیک‌های پیشرفته در خوشه‌بندی K-Means برای تسک های یادگیری بدون نظارت
• تکرار الگوریتم K-Means برای بهبود نتایج خوشه‌بندی
• کاربردهای عملی خوشه‌بندی K-Means در سناریوهای دنیای واقعی
• تسلط به تکنیک‌های خوشه‌بندی سلسله‌مراتبی برای بخش‌بندی داده‌
• مصورسازی خوشه‌بندی سلسله‌مراتبی با استفاده از دندروگرام‌ها برای بینش‌های واضح
• اعمال تحلیل مولفه‌های اصلی (PCA) در مشکلات دنیای واقعی برای کاهش ابعاد داده
• درک تحلیل تفکیک خطی (LDA) و نقش آن در یادگیری بدون نظارت.
• مقایسه PCA در برابر LDA برای تکنیک‌های کاهش ابعاد
• اعمال LDA برای کاهش ابعاد و طبقه‌بندی در یادگیری ماشین
• تسلط به t-SNE برای کاهش ابعاد پیشرفته و مصورسازی
• درک چگونگی کار t-SNE و استفاده از آن برای مصورسازی داده‌ با ابعاد بالا
• درک و اعمال معیارهای ارزیابی کاهش ابعاد
• تکنیک‌های تنظیم فراپارامتر برای بهینه‌سازی مدل‌های یادگیری بدون نظارت
• استفاده از بهینه‌سازی بیزی برای بهبود عملکرد مدل‌های بدون نظارت
• آشنایی با استخراج قوانین انجمنی برای استخراج الگوها از داده‌
• درک اعتماد و پشتیبانی در استخراج قوانین انجمنی برای بینش‌های عملی
• استفاده از الگوریتم Apriori در استخراج قوانین انجمنی برای تحلیل سبد خرید.
• شرح و کاربرد گام‌ به‌گام الگوریتم Apriori در تحلیل دنیای واقعی

پیش نیازهای دوره

• هر کسی می‌تواند این دوره را به صورت کامل و ساده یاد بگیرد.

توضیحات دوره

این برنامه جامع برای تبدیل یادگیرندگان به متخصصان در یادگیری ماشین پیشرفته و هوش مصنوعی کاربردی طراحی شده است، و تکنیک‌های یادگیری نظارت شده و بدون نظارت را پوشش می‌دهد. این دوره بر کاربرد عملی متدها و الگوریتم‌های پیشرفته تمرکز دارد و یادگیرندگان را قادر می‌سازد تا مشکلات پیچیده دنیای واقعی را در حوزه‌های مختلف حل کنند.

فهرست مطالب دوره:

آشنایی با یادگیری ماشین:

• درک مبانی یادگیری ماشین و انواع آن: یادگیری نظارت شده، بدون نظارت و تقویتی

یادگیری ماشین - یادگیری تقویتی:

• بررسی عمیق در یادگیری تقویتی، پوشش مفاهیم کلیدی مانند عامل‌ها، محیط‌ها و پاداش‌ها

آشنایی با یادگیری نظارت شده:

• یادگیری اصول یادگیری نظارت شده، شامل تسک های طبقه‌بندی و رگرسیون

آموزش و ارزیابی مدل یادگیری ماشین:

• بررسی چگونگی آموزش مدل‌های یادگیری ماشین و ارزیابی عملکرد آن‌ها با استفاده از معیارهایی مانند دقت، صحت، بازیابی و امتیاز F1

یادگیری ماشین - رگرسیون خطی:

• درک مفهوم رگرسیون خطی و کاربرد آن در پیش‌بینی مقادیر پیوسته

یادگیری ماشین - ارزیابی تناسب مدل:

• تکنیک‌هایی برای ارزیابی اینکه یک مدل چقدر خوب با داده‌ مطابقت دارد، شامل معیارهای خطا و تحلیل باقیمانده

کاربرد یادگیری ماشین - یادگیری نظارت شده:

• کاربرد عملی تکنیک‌های یادگیری نظارت شده برای مشکلات دنیای واقعی

آشنایی با رگرسیون خطی چندگانه:

• بررسی رگرسیون خطی چندگانه و کاربرد آن هنگام کار با چندین متغیر پیش‌بینی‌کننده

رگرسیون خطی چندگانه - ارزیابی عملکرد مدل:

• یادگیری چگونگی ارزیابی عملکرد مدل‌های رگرسیون خطی چندگانه با استفاده از معیارهایی مانند R² و Adjusted R²

کاربرد یادگیری ماشین - رگرسیون خطی چندگانه:

• تمرین‌های عملی برای اعمال رگرسیون خطی چندگانه در مجموعه داده‌ پیچیده

یادگیری ماشین - رگرسیون لجستیک:

• بررسی رگرسیون لجستیک برای تسک های طبقه‌بندی دوتایی

یادگیری ماشین - مهندسی ویژگی - رگرسیون لجستیک:

• تکنیک‌هایی برای بهینه‌سازی انتخاب و تبدیل ویژگی‌ها برای عملکرد بهتر مدل در رگرسیون لجستیک

کاربرد یادگیری ماشین - رگرسیون لجستیک:

• کاربرد عملی رگرسیون لجستیک برای طبقه‌بندی داده‌ بر اساس نتایج دوتایی

یادگیری ماشین - درختان تصمیم گیری:

• یادگیری مبانی درختان تصمیم گیری و چگونگی استفاده از آن‌ها برای تسک های طبقه‌بندی و رگرسیون
• یادگیری ماشین - ارزیابی عملکرد درختان تصمیم گیری: ارزیابی عملکرد درختان تصمیم گیری با استفاده از معیارهایی مانند شاخص جینی و بهره اطلاعاتی

کاربرد یادگیری ماشین - درختان تصمیم گیری:

• اعمال الگوریتم‌های درخت تصمیم بر روی مجموعه داده‌ دنیای واقعی برای تسک های طبقه‌بندی

یادگیری ماشین - جنگل‌های تصادفی:

• درک یادگیری ترکیبی از طریق جنگل‌های تصادفی و مزایای آن‌ها نسبت به درختان تصمیم گیری منفرد

تسلط به تنظیم فراپارامترها در یادگیری ماشین:

• یادگیری چگونگی تنظیم دقیق مدل‌های یادگیری ماشین برای عملکرد بهینه با استفاده از تکنیک‌هایی مانند جستجوی شبکه‌ای و جستجوی تصادفی

یادگیری ماشین - درختان تصمیم گیری و جنگل تصادفی:

• اعمال و مقایسه درختان تصمیم گیری و جنگل‌های تصادفی برای مشکلات دنیای واقعی

یادگیری ماشین - ماشین‌های بردار پشتیبان (SVM):

• تسلط به تئوری و کاربرد SVM برای تسک های طبقه‌بندی، شامل نقش ابرصفحه‌ها و بردارهای پشتیبان

یادگیری ماشین - توابع هسته در ماشین‌های بردار پشتیبان (SVM):

• درک استفاده از توابع هسته برای تبدیل داده‌ غیرخطی به فضای با ابعاد بالاتر برای طبقه‌بندی بهتر

کاربرد یادگیری ماشین - ماشین‌های بردار پشتیبان (SVM):

• کاربردهای عملی SVM در تسک های طبقه‌بندی

یادگیری ماشین - الگوریتم K-نزدیک‌ترین همسایه (KNN):

• بررسی الگوریتم KNN، یک روش ساده اما قدرتمند برای تسک های طبقه‌بندی و رگرسیون

کاربرد یادگیری ماشین - الگوریتم KNN:

• پیاده‌سازی KNN برای تحلیل داده‌ دنیای واقعی

یادگیری ماشین - الگوریتم‌های تقویت گرادیان:

• تسلط به متدهای ترکیبی پیشرفته مانند تقویت گرادیان، که مدل‌های ضعیف را برای ایجاد یک مدل قوی ترکیب می‌کند.

تسلط به تنظیم فراپارامترها در یادگیری ماشین:

• یادگیری تکنیک‌های پیشرفته برای بهینه‌سازی پارامترهای مدل برای بهبود عملکرد پیش‌بینی

کاربرد یادگیری ماشین - تقویت گرادیان:

• تجربه عملی در اعمال الگوریتم‌های تقویت گرادیان در مجموعه داده‌ پیچیده

یادگیری ماشین - معیارهای ارزیابی مدل:

• بررسی معیارهای ارزیابی مختلف برای انواع مدل‌های یادگیری ماشین، مانند دقت، صحت، بازیابی، امتیاز F1 و ماتریس درهم‌ریختگی

یادگیری ماشین - منحنی ROC و AUC:

• یادگیری چگونگی استفاده از منحنی ROC و AUC برای ارزیابی عملکرد مدل‌های طبقه‌بندی

توضیح یادگیری بدون نظارت | خوشه‌بندی و کاهش ابعاد:

• آشنایی با تکنیک‌های یادگیری بدون نظارت مانند خوشه‌بندی و کاهش ابعاد

توضیح یادگیری بدون نظارت - تشخیص ناهنجاری:

• بررسی تکنیک‌های تشخیص ناهنجاری برای شناسایی داده‌ پرت و الگوهای غیرعادی در داده‌

تسلط به خوشه‌بندی K-Means در یادگیری بدون نظارت:

• درک الگوریتم K-Means و کاربرد آن در خوشه‌بندی داده‌

تکرار الگوریتم خوشه‌بندی K-Means در یادگیری بدون نظارت:

• یادگیری چگونگی اصلاح و بهینه‌سازی خوشه‌بندی K-Means برای نتایج بهتر

کاربرد الگوریتم خوشه‌بندی K-Means در یادگیری بدون نظارت:

• تجربه عملی در اعمال خوشه‌بندی K-Means برای مشکلات دنیای واقعی

تسلط به خوشه‌بندی سلسله‌مراتبی در یادگیری بدون نظارت:

• درک تکنیک‌های خوشه‌بندی سلسله‌مراتبی و کاربردهای آن‌ها در یادگیری بدون نظارت

مصورسازی دندروگرام در یادگیری بدون نظارت:

• مصورسازی نتایج خوشه‌بندی سلسله‌مراتبی با استفاده از دندروگرام‌ها برای درک بهتر ساختارهای داده

توضیح کاربرد خوشه‌بندی سلسله‌مراتبی - تسلط به یادگیری بدون نظارت:

• اعمال خوشه‌بندی سلسله‌مراتبی برای حل تسک های عملی یادگیری بدون نظارت

تکنیک‌های خوشه‌بندی پیشرفته - یادگیری بدون نظارت با DBSCAN:

• بررسی DBSCAN، یک الگوریتم خوشه‌بندی پیشرفته که نویز و خوشه‌های غیرکروی را مدیریت می‌کند.

تکنیک‌های خوشه‌بندی پیشرفته - مزایای DBSCAN در یادگیری بدون نظارت:

• یادگیری مزایای DBSCAN نسبت به تکنیک‌های خوشه‌بندی سنتی مانند K-Means

آشنایی با تحلیل کامپوننت اصلی (PCA):

• درک PCA، یک تکنیک کاهش ابعاد که داده‌ با ابعاد بالا را ساده می‌کند.

انتخاب تحلیل کامپوننت اصلی (PCA):

• یادگیری چگونگی انتخاب مهم‌ترین کامپوننت اصلی برای کاهش ابعاد داده به صورت مؤثر

کاربرد کامپوننت اصلی در PCA:

• کاربرد عملی PCA برای کاهش ابعاد و بهبود عملکرد مدل

یادگیری بدون نظارت با تحلیل تفکیک خطی (LDA):

• یادگیری LDA، یک تکنیک کاهش ابعاد که معمولاً در تسک های طبقه‌بندی استفاده می‌شود.

PCA در برابر LDA | کاهش ابعاد در یادگیری ماشین:

• مقایسه PCA و LDA برای درک تفاوت‌های آن‌ها و موارد استفاده مناسب

کاربرد LDA | کاهش ابعاد در یادگیری ماشین:

• اعمال LDA برای کاهش ابعاد در تسک های یادگیری نظارت شده

یادگیری بدون نظارت با t-SNE:

• بررسی t-SNE (t-Distributed Stochastic Neighbor Embedding) برای کاهش ابعاد غیرخطی

یادگیری بدون نظارت - t-SNE چگونه کار می‌کند - تسلط به کاهش ابعاد:

• درک چگونگی کار t-SNE و چگونگی اعمال آن برای مصورسازی داده‌ با ابعاد بالا

کاربرد t-SNE - تسلط به کاهش ابعاد:

• اعمال t-SNE برای کشف الگوهای داده و مصورسازی مجموعه داده‌ پیچیده در ابعاد پایین‌تر

معیارهای ارزیابی مدل یادگیری بدون نظارت - راهنمای کامل:

• یادگیری معیارهای ارزیابی مورد استفاده برای سنجش عملکرد مدل‌های یادگیری بدون نظارت

معیارهای ارزیابی کاهش ابعاد:

• بررسی معیارهای مورد استفاده برای ارزیابی اثربخشی تکنیک‌های کاهش ابعاد

تنظیم فراپارامتر در یادگیری بدون نظارت:

• بررسی تنظیم فراپارامتر در یادگیری بدون نظارت برای بهینه‌سازی عملکرد مدل

یادگیری بدون نظارت با بهینه‌سازی بیزی - راهنمای کامل:

• یادگیری بهینه‌سازی بیزی و کاربردهای آن در بهبود عملکرد الگوریتم‌های یادگیری بدون نظارت

آشنایی با قوانین انجمنی:

• درک استخراج قوانین انجمنی و کاربرد آن در تحلیل سبد خرید

استخراج قوانین انجمنی - توضیح Confidence و Support:

• بررسی معیارهای اعتماد و پشتیبانی که برای ارزیابی قوانین انجمنی استفاده می‌شوند.

الگوریتم Apriori، استخراج قوانین انجمنی و تحلیل سبد خرید:

• بررسی الگوریتم Apriori و کاربرد آن در تحلیل سبد خرید برای کشف روابط بین محصولات

الگوریتم Apriori - توضیح گام‌به‌گام:

• توضیح دقیق الگوریتم Apriori و چگونگی اعمال آن بر روی داده‌های دنیای واقعی

این دوره دانش‌آموختگان را با ابزارها و دانش لازم برای برتری در یادگیری ماشین، از مفاهیم اساسی تا کاربردهای پیشرفته، مجهز می‌کند و آن را برای کسانی که به دنبال تسلط به حوزه هوش مصنوعی و یادگیری ماشین هستند، ایده‌آل می‌سازد.

این دوره برای چه کسانی مناسب است؟

• هر کسی که می‌خواهد مهارت‌های آینده را یاد بگیرد و به دانشمند داده، دانشمند داده ارشد، دانشمند هوش مصنوعی، مهندس هوش مصنوعی، پژوهشگر هوش مصنوعی و کارشناس هوش مصنوعی تبدیل شود.