یادگیری ماشینی چیست؟

یادگیری ماشینی  یا Machine Learning (ML) یک نوع هوش مصنوعی (AL) می‌باشد که این امکان را می‌دهد که حتی بدون برنامه‌ریزی قبلی، در پیش‌بینی نتایج دقیق‌تر عمل کنیم. الگوریتم‌های یادگیری ماشینی به این صورت هستند که از داده‌های گذشته به عنوان ورودی برای پیش‌بینی مقادیر خروجی جدید‌، استفاده می‌کنند.

چرا یادگیری ماشینی بسیار با اهمیت است؟

یادگیری ماشینی اهمیت بسیار زیادی دارد زیرا به شرکت‌ها و استارتاپ­ها رفتار مشتریان و الگوهای اجرایی در کسب و کار را ارایه می‌دهد و همچنین رویکردی نوآورانه جهت توسعه‎‌ و تولید محصولات جدید، نشان می­دهد. امروزه تعداد زیادی از شرکت‌های پیشرو، مانند اپل، فیسبوک، گوگل و اوبر یادگیری ماشینی را تبدیل به هسته مرکزی شرکتشان کرده‌اند. یادگیری ماشینی برای شرکت‌ها به یک ویژگی مهم رقابتی متمایز کننده، تبدیل شده است.

سرفصل های دوره آموزش یادگیری ماشین و علوم داده در پایتون:

جزئیات دوره:

•  14 فصل
•  47 قسمت

سرفصل ها:

• فصل اول :Numpy
• فصل دوم :Pandas
• فصل سوم : تمرین Pandas
• فصل چهارم   : Matplotlib
• فصل پنجم : مفاهیم یادگیری ماشین
• فصل ششم : رگرسیون خطی
• فصل هفتم : Cross Validation
• فصل هشتم : Logistic Regression
• فصل نهم : KNN
• فصل دهم: درخت تصمیم گیری و جنگل های تصادفی
• فصل یازدهم : SVM
• فصل دوازدهم : خوشه بندی K-Means
• فصل سیزدهم : PCA
• فصل چهاردهم : پروژه های تکمیلی

فصل اول :Numpy

• معرفی numpy
• آرایه های numpy
• Indexing & selection
• عملگر های Numpy
• تمرین numpy

فصل دوم   :Pandas

• معرفی Pandas
• سری های Pandas
• دیتافریم ها در Pandas
• Missing data در Pandas
• GroupBy در Pandas
• pandas-merging-joining-concat
• عملگر های Pandas
• ورودی و خروجی ها در Pandas

فصل سوم : تمرین  Pandas

• پروژه آنالیز درآمد ها در پانداز
• پروژه آنالیز خرید های اینترنتی

فصل چهارم : Matplotlib

• معرفی matplotlib
• درس matplotlib
• تمرین matplotlib
• مفاهیم پیشرفته matplotlib

فصل پنجم : مفاهیم یادگیری ماشین

• یادگیری ماشین چیست

فصل ششم : رگرسیون خطی

• تئوری رگرسیون خطی
• مینی پروژه رگرسیون خطی
• تمرین رگرسیون خطی

فصل هفتم  : Cross Validation

• تئوری Cross Validation

فصل هشتم : Logistic Regression

• تئوری Logistic Regression
• پیاده سازی و استفاده از Logistic Regression
• پروژه Logistic Regression

فصل نهم : KNN

• تئوری KNN
• پیاده سازی و استفاده از KNN
• پروژه KNN

فصل دهم: درخت تصمیم گیری و جنگل های تصادفی

• تئوری درخت های تصمیم گیری
• پیاده سازی و استفاده از درخت و جنگل
• پروژه درخت تصمیم گیری و جنگل تصادفی

فصل یازدهم : SVM

• تئوری Support Vector Machines
• پیاده سازی SVM
• پروژه SVM

فصل دوازدهم : خوشه بندی K-Means

• تئوری K-Means
• پروژه K-Means

فصل سیزدهم : PCA

• تئوری PCA
• پروژه PCA

فصل چهاردهم : پروژه های تکمیلی

•  6 پروژه و مینی پروژه تکمیلی

رزومه مدرس : فرید هاشمی نژاد

کارشناسی ارشد مهندسی برق مخابرات گرایش سیستم

هم بنیانگذار در خانه هوشمند همای

مدیر عامل شرکت رسا رایان سامانه

مدیریت آکادمی رسا

سابقه ۷ سال تدریس در زمینه برنامه نویسی

۱۱ سال سابقه برنامه نویسی

۶ سال سابقه فعالیت در زمینه برنامه نویسی هوش مصنوعی

 سوالات متداول: