دوره آموزش جامع یادگیری ماشین

موضوعاتی که در این دوره فراخواهید گرفت...

• بخش اول: مقدمات یادگیری ماشین

• معرفی یادگیری ماشین و کاربردهای آن

• تفاوت یادگیری ماشین با هوش مصنوعی و یادگیری عمیق

• آماده‌سازی محیط کدنویسی (Jupyter Notebook، Google Colab)

• آشنایی با کتابخانه‌های اصلی: NumPy، Pandas، Matplotlib، Scikit-learn

• بخش دوم: مفاهیم پایه و پیش‌پردازش داده‌ها

• بارگذاری و بررسی داده‌ها

• پاک‌سازی، نرمال‌سازی و تبدیل ویژگی‌ها

• تقسیم داده به آموزش و تست

• تکنیک‌های Cross-validation و ارزیابی مدل‌ها

• بخش سوم: مدل‌های یادگیری نظارت‌شده

• رگرسیون خطی و لجستیک

• درخت تصمیم، Random Forest

• K-Nearest Neighbors (KNN)

• SVM و Naive Bayes

• متریک‌های ارزیابی (Accuracy، Recall، F1، Confusion Matrix)

• بخش چهارم: یادگیری بدون نظارت و کاربردهای پیشرفته

• خوشه‌بندی با K-Means و DBSCAN

• کاهش ابعاد با PCA

• تشخیص ناهنجاری‌ها

• سیستم‌های توصیه‌گر (Recommender Systems)

  • معرفی سیستم‌های توصیه‌گر و کاربردهای آن‌ها

  • روش‌های مبتنی بر محتوا (Content-Based Filtering)

  • روش‌های مبتنی بر همکاری (Collaborative Filtering)

  • پیاده‌سازی سیستم توصیه‌گر ساده در پایتون با Scikit-learn و Surprise

• بخش پنجم: پروژه‌های عملی

• پیش‌بینی قیمت خانه‌ها

• تشخیص اسپم ایمیل

• تحلیل رفتار مشتری

• دسته‌بندی تصاویر ساده

• پروژه سیستم توصیه‌گر فیلم یا محصول با داده‌های واقعی

• پروژه نهایی: انتخاب و پیاده‌سازی یک مسئله واقعی یادگیری ماشین با گزارش تحلیلی

• بخش ششم: مسیر حرفه‌ای و ورود به بازار

• معرفی فرصت‌های شغلی در یادگیری ماشین

• نکات آماده‌سازی رزومه و نمونه‌کار

• فریلنسری و دریافت پروژه در حوزه ML

• ادامه مسیر به سمت یادگیری عمیق (Deep Learning)

دسترسی به لینک دانلود هر قسمت تنها بعد از خرید دوره مسیر میباشد.