آشنایی با یادگیری ماشین: یادگیری تحت نظارت‌

آنچه یاد خواهید گرفت:

• استفاده از ابزارهای مدرن یادگیری ماشین و کتابخانه‌های پایتون
• مقایسه نقاط قوت و ضعف رگرسیون لجستیک
• توضیح روش‌های مقابله با داده‌های خطی-جداناپذیر
• توضیح اینکه درخت تصمیم گیری چه است و چگونه گره ها را تقسیم می‌کند.

توضیحات دوره

در این دوره، الگوریتم‌های مختلف یادگیری ماشین تحت نظارت‌ و وظایف پیش‌بینی مرتبط با داده‌های متنوع را خواهید آموخت. خواهید فهمید چه زمانی از کدام مدل باید استفاده کرد و چرا، و چگونه می‌توان عملکرد مدل‌ها را بهبود بخشید. مدل‌هایی مانند رگرسیون خطی و لجستیک، KNN، درخت تصمیم گیری و روش‌های اجتماع‌محور مثل جنگل تصادفی و بوستینگ، و همچنین متدهای کرنل مانند SVM را شامل می‌شود.

دانش اولیه برنامه‌نویسی یا اسکریپت‌نویسی مورد نیاز است. در طول دوره به طور گسترده از پایتون استفاده خواهیم کرد. باید پایه محکم در پایتون یا تجربه قبلی کافی در برنامه‌نویسی با زبان‌های دیگر داشته باشید تا بتوانید پایتون را به سرعت یاد بگیرید.

در این دوره، با کتابخانه‌های علم داده مانند NumPy ،pandas ،matplotlib ،statsmodels و sklearn کار خواهید کرد. دوره برای برنامه‌نویسانی طراحی شده است که تازه می‌خواهند با این کتابخانه‌ها شروع به کار کنند. تجربه قبلی با این کتابخانه‌ها مفید است اما الزامی نیست.

مهارت‌های ریاضی در سطح دانشگاه، از جمله حساب دیفرانسیل و انتگرال و جبر خطی، مورد نیاز است. هدف ما این است که ریاضیات قابل فهم باشد ولی نترساننده نباشد.