.: مشخصات درس
اهداف و مهارتها

امروزه شاهد پیشرفت روزافزون هوش مصنوعی در دنیای اطرافمان هستیم.وقتی دستیار صوتی گوشی شما یک فرمان را اجرا میکند،موتور جستجوگر، صفحات و سایت هایی متناسب با کلیدواژه های شما را نشان میدهد،فروشگاه های اینترنتی به شما اقلام مورد علاقه تان را پیشنهاد میدهند، گوشی شما با تصویر شما باز میشود،ایمیل شما بصورت هوشمند، ایمیل های اسپم را جداسازی میکند و.... همه و همه مثال هایی از دنیای هوش مصنوعی و ماشین لرنینگ در اطراف شما هستند که روز به روز درحال گسترش میباشد.ماشین لرنینگ شاخه ای از هوش مصنوعی میباشد که در آن، ماشین با استفاده از دیتاهای موجود یاد میگیرد و عملکرد خود را ارتقا میدهد. این امر سبب میشود تا رفتار ماشین ها به رفتار انسان ها نزدیکتر شده و بتوانند بصورت خودآموز، رفتاری هوشمندانه تر داشته باشند.  این دوره، دروازه ورود شما به دنیای دیتا و ماشین لرنینگ میباشد و دید شما را نسبت به این حوزه گسترش میدهد. یادتان باشد در دنیای امروز، حرف اول را دیتا میزند.در طول این دوره از زبان پایتون بهره میبریم و به پیاده سازی الگوریتم ها با استفاده از این زبان میپردازیم.



شرایط شرکت کنندگان
تسلط به زبان برنامه نويسي پايتون

توانایی های مورد انتظار از دانشپذیران در پایين دوره
1.آگاهي نسبت به حوزه هاي ماشين لرينينگ و مشاغل نوظهور در اين حوزه 2.آشنايي كامل با كتابخانه هاي اين حوزه و نحوه بكارگيري آنها 3.شيوه هاي جمع آوري ديتا و تحليل آنها 4.پياده سازي الگوريتم هاي ماشين لرنينگ و ادغام آنها 5.تشخيص و استفاده صحيح از مدل هاي ماشين لرنينگ متناسب با حوزه كاري خود

مخاطبان
كليه علاقه مندان به مباحث هوش مصنوعي و ماشين لرنينگ با تسلط بر پايتون

مدت
60  ساعت

كاربرد درس در ساير دروس


سرفصل

 

سر فصل مطالب
·        مقدمه ای در رابطه با یادگیری ماشین
o       یادگیری ماشین چیست؟
o       کاربردهای فعلی یادگیری ماشین
o       مرور نقشه راه
o       آشنایی محیط برنامه نویسی
·        آشنایی با کتابخانه های پایتون در ماشین لرنینگ
o       کتابخانه numpy
o       کتابخانه pandas
o       کتابخانه matplotlib
o       کتابخانه seaborn
·        مفاهیم آماری و جبری مقدماتی
o       شاخص های آماری ( میانه، میانگین، صدک، واریانس، انحراف معیار)
o       ماتریس
o       عملیات جبری بر روی ماتریس ها
o       وارون ماتریس
o       رگریسیون و همبستگی
o       محاسبه خطاهای آماری
o       احتمال
o       احتمال شرطی
o       تست کای Chi
o       توزیع های آماری
·        جمع آوری دیتا، پیش پردازش و مصور سازی دیتا
o       کار با مجموعه داده اطلاعات کشورها
o       داده های خالی (Missing Values)
o       داده های تکراری (Duplicated Values)
o       الحاق دو دیتافریم به یکدیگر (Concatenating)
o       نرمال کردن داده ها
o       داده های پرت(Outlier)
  ·        یادگیری نظارت شده
o       آشنایی با مفهوم یادگیری نظارت شده و انواع روش های آن
o        آشنایی با مفهوم Classification
o       آشنایی با مفهوم Regression
o       آشنایی با Stochastic Gradient Descent
o       آشنایی با Linear regression
o       آشنایی با Regularization regression
o       آشنایی با KNN
o       آشنایی با Decision tree
o       آشنایی با Support Vector Machine
o       آشنایی با LassoRegression
o       آشنایی با Bayesian Regression
o       آشنایی با Logistic regression
o       آشنایی با Confusion matrix
o       آشنایی با مفهوم Overfitting – Underfitting
 
·        یادگیری نظارت نشده
o       آشنایی با مفهوم یادگیری نظارت نشده و انواع روش های آن
o       آشنایی با مفهوم Clustering
o       آشنایی با مفهوم  Dimension Reduction
o       آشنایی با K-means
o        آشنایی باhierarchical clustering
o       آشنایی با Meanshift
o       آشنایی با DBSCAN
o       Principal Component Analysis (PCA)
·        انجام صفر تا صد یک پروژه
·        پروژه پایانی