یادگیری ماشین

تیم مهندسی کورپی با همکاری ازمایشگاه علم داده PDAT و انجمن علمی معتبر سراسر کشور برگزار میکند

******  دوره یادگیری ماشین  ******

-بررسی تئوری ریاضیاتی و پیاده سازی با پایتون

-دوره کاملا پروژه محور(پروژه های ناسا،سرن،پروژه های بازار های مالی و...)

-کامل ترین دوره یادگیری ماشین

-ضبط شده جلسات در اختیار شرکت کنندگان قرار می گیرد

-ارایه گواهی معتبر از طرف شتابدهنده ره نشان دانشگاه صنعتی شریف تحت نظر بنیاد ملی نخبگان (برای دریافت گواهی حضور از طرف مرکز فناوری رضوان شریف دانشگاه صنعتی شریف تحت نظر بنیاد ملی نخبگان حداثل باید 50 درصد کلاس ها را بصورت انلاین حضور داشته باشید.)

-اهدای گواهی معتبر انجام پروژه تیم مهندسی کورپی و آزمایشگاه علم داده PDAT

رزومه مدرس :

https://www.linkedin.com/in/pouriya-khaliliyan/

سرفصل ها :

1)      یادگیری ماشین چیست

2)      فضای فرضیه

3)      تابع هزینه

4)      MAE

5)      MSE

6)      MBE

7)      MSLE

8)      Binary cross entropy

9)      Categorical cross entropy

10)  Hinge loss

11)  داده های یادگیری و داده های تست

12)  Overfitting

13)  Underfitting

14)  یادگیری نظارت شده

15)  یادگیری غیر نظارت شده

16)  یادگیری نیمه نظارت شده

17)  یادگیری تقویتی

18)  اشنایی با گوگل کولب

19)  نصب پکیج ها در کولب

20)  دستورات لینوکس برای کولب

21)  فریم ورک numpy

22)  ارایه ها و ماتریس

23)  ضرب داخلی و ضرب خارجی ارایه ها

24)  عملیات درایه ماتریسی

25)  دنباله ها

26)  Reshape

27)  توزیع نرمال

28)  توزیع استاندارد نرمال

29)  اتحاد و اشتراک

30)  حدف داده های تکراری

31)  واریانس

32)  انحراف معیار

33)  کوواریانس

34)  میانه

35)  میانگین

36)  هبستگی

37)  ضریب پیرسن

38)  ضریب سپیرمن

39)  فریم ورک پانداس

40)  بارگزاری دیتاست

41)  کار با index

42)  کار با values

43)  Dataframe

44)  عملیات در dataframe

45)  پیش پردازش اطلاعات

46)  پیش پردازش دیتا های ناسا1

47)  فرایند های آماری و آنالیز دیتاست

48)  فریم ورک matplotlib

49)  نمودار خطی

50)  نمودار نقطه ای

51)  نمودار میله ای

52)  رسم توابع

53)  دستورات در نمودار

54)  مصور سازی آنالیز داده های ناسا

55)  بررسی پایستگی احتمال و نرمالایز کردن

56)  هیستوگرام

57)  Pie plot

58)  پیش پردازش اطلاعات

59)  پیش پردازش اولیه داده ها

60)  Missing values

61)  Normalizing

62)  Box plot

63)  Swarm plot

64)  Strip plot

65)  Pair plot

66)  Heatmap

67)  Join plot

68)  رگرسیون

69)  کلیسفیکشن

70)  رگرسیون خطی

71)  گرادیان کاهشی

72)  گرادیان کاهشی برای رگرسیون خطی

73)  پروژه مدل سازی دمای ستاره ها(داده ناسا)

74)  Decision tree

75)  بهره اطلاعات

76)  Gain function

77)  انتروپی شنون

78)  نظریه تکامل

79)  پروژه تشخیص حملات قلبی هوشمند

80)  KNN

81)  محسابه نرم L1وL2

82)  فاصله مینکوفسکی

83)  بهینه سازی هایپرپارامتر k  در KNN

84)  بررسی ریاضیاتی overfitting

85)  Transparent Model

86)  Interpretable Model and data

87)  Regulation

88)  Multi Object Optimization

89)  خلوت سازی مدل

90)  تابع جریمه یا پنالتی

91)  LASSO

92)  Machine

93)  بردار های پشتیبان

94)  مرز تصمیم گیری

95)  Margin         

96)  بدست اوردن مدل های خطی از مدل خطی

97)  افزایش بعد

98)  کرنل

99)  استفاده از 10 الگوریتم یادگیری نظارت شده بصورت همزمان

100)          پروژه تشخیص ضربان های نامنظم قلبی با داده ECG

101)          Clustering

102)          K-Means

103)          خوشه بندی داده های iris

104)          ترکیب خوشه بندی با روش های نظارت شده برای کلیسیفیکشن

105)          کاهش ابعاد

106)          PCA

107)          بهینه سازی هایپر پارامتر تعداد components  در PCA

108)          ترکیب PCA  با الگوریتم ها نظارت شده

109)          پروژه داده های ماهواره ای سازمان فضایی اروپا