سرفصل های این دوره آموزشی :
فصل اول
۱. مقدمه ای بر یادگیری ماشین در پایتون
۲. بررسی مثال های کاریردی از یادگیری ماشین
۳. یادگیری ماشین و روش های بینظارت و با نظارت و معرفی مثال های کاربردی
فصل دوم
۱. روش رگرسیون Regression
۲. مقدمه و معرفی روش رگرسیون
۳. نصب ماژول های لازم در پایتون
۴. معرفی کتابخانه های لازم برای یادگیری ماشین از جمله Numpy, Pandas, Matplotlib, TensorFlow, …
۵. فراخوانی دیتابیس و فراخوانی داده ها
۶. فراخوانی داده های یک بعدی
۷. فراخوانی داده های دو بعدی تصویر
۸. پروژه اول: تمرین روش رگرسیون و اعمال بر روی داده های دیتابیس
فصل سوم
۱. دسته بندی Classification
۲. معرفی روش های پیش پردازش اطلاعات
۳. مقدمه روش های دستهبندی و معرفی مبانی نظری آن ها
۴. مقدمه KNN و معرفی دستورات مرتبط
۵. مقدمه درخت تصمیم
۶. مقدمه رگرسیون لجیستیک
۷. الگوریتم Support Vector Machine
۸. معرفی روش شبکه عصبی
۹. پروژه دوم: تشخیص بیماری به کمک روش های معرفی شده در این فصل
فصل چهارم
۱. خوشهبندی Clustering
۲. مقدمه خوشهبندی و مبانی نظری
۳. روش K-Means
۴. روش DBSCAN
۵. پروژه سوم: خوشه بندی در تصاویر به کمک روش های معرفی شده در این فصل
پیشنیاز های این دوره آموزشی:
پیشنیاز این دوره، دوره زبان برنامه نویسی Python است.
توانایی های دانشپذیر پس از پایان دوره آموزشی:
دانشپذیر پس از این دوره آموزشی توانایی درک بالا از یادگیری ماشین را داشته و قادر است برنامه هایی با توانایی یادگیری ماشین تولید کند و الگوریتم های آنرا در کارهای مختلف بکار ببرد.
می توانید نمونه کار های دانشپذیران قبلی را از اینجا مشاهده کنید.
