در این دوره، شما با مفاهیم و ابزارهای اساسی یادگیری ماشین در پایتون آشنا خواهید شد. سرفصل‌های اصلی دوره عبارتند از:

• مقدمه‌ای بر یادگیری ماشین: درک مفاهیم اولیه، انواع یادگیری (نظارت‌شده، بدون نظارت و تقویتی)، و کاربردهای یادگیری ماشین.
• آشنایی با کتابخانه‌های پایتون: آموزش استفاده از کتابخانه‌های NumPy، Pandas، Matplotlib و Scikit-learn برای انجام وظایف مختلف یادگیری ماشین.
• پیش‌پردازش داده‌ها: تکنیک‌های پاکسازی داده، مدیریت داده‌های گمشده، مقیاس‌بندی ویژگی‌ها، و مهندسی ویژگی‌ها.
• مدل‌سازی و ارزیابی: آموزش ساخت مدل‌های رگرسیون، دسته‌بندی، خوشه‌بندی و انتخاب بهترین مدل‌ها با استفاده از معیارهای ارزیابی.
• یادگیری نظارت‌شده: بررسی الگوریتم‌های رگرسیون خطی، رگرسیون لجستیک، ماشین بردار پشتیبان (SVM)، درخت تصمیم‌گیری، جنگل تصادفی و روش‌های ارزیابی.
• یادگیری بدون نظارت: آشنایی با الگوریتم‌های خوشه‌بندی K-means، تجزیه و تحلیل مؤلفه‌های اصلی (PCA) و کاربرد آن‌ها در تحلیل داده‌ها.
• انتخاب مدل و تنظیم پارامترها: روش‌های اعتبارسنجی متقاطع (Cross-Validation)، جستجوی شبکه‌ای (Grid Search) و جستجوی تصادفی (Randomized Search) برای بهینه‌سازی عملکرد مدل‌ها.
• کاربردهای عملی: پیاده‌سازی پروژه‌های عملی برای درک بهتر مفاهیم و تمرین عملی.

با شرکت در این دوره، شما از مزایای زیر بهره‌مند خواهید شد:

• یادگیری عملی: این دوره بر پایه آموزش عملی و مثال‌های کاربردی بنا شده است. شما با استفاده از پروژه‌های واقعی، دانش خود را به کار خواهید گرفت.
• دسترسی آسان: دوره به‌طور کامل بر روی فلش مموری 32 گیگابایتی ارائه می‌شود و امکان دسترسی آفلاین به محتوای آموزشی را فراهم می‌کند.
• پشتیبانی: در صورت بروز هرگونه سوال یا مشکل، می‌توانید از پشتیبانی دوره استفاده کنید.
• به‌روز بودن: محتوای دوره به‌طور مداوم به‌روز می‌شود تا با آخرین پیشرفت‌های حوزه یادگیری ماشین همگام باشد.
• کسب مهارت‌های کلیدی: شما مهارت‌های مورد نیاز برای شروع کار در زمینه یادگیری ماشین و انجام پروژه‌های واقعی را به دست خواهید آورد.

برای شرکت در این دوره، داشتن پیش‌نیازهای زیر توصیه می‌شود:

• آشنایی با مفاهیم برنامه‌نویسی: درک مفاهیم اولیه برنامه‌نویسی مانند متغیرها، حلقه‌ها، شرط‌ها و توابع.
• دانش پایه‌ای پایتون: آشنایی با سینتکس پایتون و توانایی نوشتن کدهای ساده.
• دانش ریاضی پایه: آشنایی با مفاهیم ریاضی پایه مانند جبر خطی، آمار و احتمال.

اگر در زمینه پایتون یا ریاضیات ضعف دارید، پیشنهاد می‌شود قبل از شروع دوره، با مطالعه منابع آموزشی مرتبط، دانش خود را ارتقا دهید.

دوره شامل بخش‌های زیر است که به‌صورت کامل بر روی فلش مموری در دسترس شما قرار خواهد گرفت:

• بخش اول: مقدمه‌ای بر یادگیری ماشین
  • مفاهیم پایه یادگیری ماشین
  • انواع یادگیری (نظارت‌شده، بدون نظارت، تقویتی)
  • کاربردهای یادگیری ماشین
  • معرفی کتابخانه‌های پایتون (NumPy, Pandas, Matplotlib, Scikit-learn)
• بخش دوم: پیش‌پردازش داده‌ها
  • پاکسازی داده‌ها
  • مدیریت داده‌های گمشده
  • مقیاس‌بندی ویژگی‌ها
  • مهندسی ویژگی‌ها
• بخش سوم: رگرسیون
  • رگرسیون خطی
  • ارزیابی مدل‌های رگرسیون
  • رگرسیون چندجمله‌ای
• بخش چهارم: دسته‌بندی
  • رگرسیون لجستیک
  • ماشین بردار پشتیبان (SVM)
  • درخت تصمیم‌گیری
  • جنگل تصادفی
  • ارزیابی مدل‌های دسته‌بندی
• بخش پنجم: خوشه‌بندی
  • خوشه‌بندی K-means
  • تجزیه و تحلیل مؤلفه‌های اصلی (PCA)
• بخش ششم: انتخاب مدل و تنظیم پارامترها
  • اعتبارسنجی متقاطع (Cross-Validation)
  • جستجوی شبکه‌ای (Grid Search)
  • جستجوی تصادفی (Randomized Search)
• بخش هفتم: پروژه‌های عملی
  • پیاده‌سازی پروژه‌های عملی با استفاده از داده‌های واقعی
  • تحلیل و پیش‌بینی داده‌ها