آموزش Data analysis & Machine Learning

آموزش Data analysis & Machine Learning

این دوره به دو بخش تقسیم می شود:

• بخش اول: آموزش تحلیل داده (30 ساعت)

عصر دیجیتال در حال توسعه و پیشروی است و در کنار خود دنیای هوشمندی را پدید آورده است که با زندگی انسان ها عجین شده است. کلیه فعالیت انسان ها به صورت جریان های داده ای در حال گذر از این دنیای هوشمند می باشد و امروزه شناسایی بهتر این دنیا و نحوه‌ی ارتباط آن با انسان ها به یکی از دغدغه های اصلی بشر تبدیل شده است. در این دوره ضمن آشنایی با مفهوم داده سعی بر آن خواهیم کرد که داده های مختلف در دنیای واقعی را جمع آوری کنیم. با انجام عملیات مختلف تحلیل های اولیه از آنان خواهیم داشت و در ادامه با ورود به دنیای آمار و مصور سازی سعی بر پرده برداری از اسرار مخفی داده ها  و الگوهای مهم آنان خواهیم داشت.

• بخش دوم: آموزش یادگیری ماشینی (50 ساعت)
  

سرفصل آموزش Data analysis

• آشنایی با هوش مصنوعی و مفاهیم کلان در آن

  • مروری بر جایگاه هوش مصنوعی در جهان
  • مروری بر زبان های برنامه نویسی مطرح در این حوزه
  • بیان چارت دوره
  • بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد

• نصب و آماده سازی محیط های لازم برای هوش مصنوعی

  • نصب Anaconda
  • بیان مفهوم Virtual Env در پایتون
  • نحوه دانلود پکیج با pip
  • نحوه دانلود پکیج با conda
  • نصب کلیه پکیج های مورد نیاز در طول دوره
  • آشنایی با IDE های مختلف

• مروری بر مفاهیم جبر خطی

  • معرفی ماتریس ها و نحوه تبدیل داده ها به آن
  • مروری انواع ابعاد داده ها
  • مروری بر عملیات جبر خطی
  • معرفی فضای برداری و نمایش نمونه های یک ماتریس در آن

• آموزش و کار با پکیج های مختلف پیش پردازش و آنالیز داده

  • معرفی رویکردهای گوناگون فهم داده و لزوم آن
  • معرفی علم آمار و تقسیم بندی آن
  • معرفی آمار توصیفی
    • گشتاورهای آماری
      • میانگین / میانه
      • واریانس
      • چولگی
      • کشیدگی توزیع
    • همبستگی داده ها
    • معرفی توزیع های آماری و آشنایی با پکیج Scipy
      • توزیع نرمال
      • توزیع یونیفرم
      • توزیع برنولی
      • توزیع باینومیال
      • توزیع مالتی نومیال
      • توزیع پوآسون
      • توزیع نمایی
  • معرفی آزمون اثبات توزیع آماری
    • بررسی آزمون جنسون شنون

• آموزش و کار با پکیج های مختلف نمایش داده

  • آشنایی با پکیج Matplotlib
    • Line Plot
    • Scatter Plot
    • Step Plot
    • Bar Plot
    • Histogram
    • Box Plot
    • 3D Plot
    • Plot Attributes
  • آشنایی با پکیج Seaborn
    • Numerical Data Plotting
    • Categorical Data Plotting
    • Visualizing Distribution of Data
    • Linear Regression and Relationship
    • Plot Attributes

• تحلیل اکتشافی داده (EDA) – بخش دوم آمار تفسیری

  • معرفی آمار تفسیری
    • معرفی آزمون های شبیه سازی آماری
      • A/B testing
    • معرفی آزمون های از پیش تعریف شده آماری
      • بررسی آزمون T-Test
      • بررسی آزمون U-Test

سرفصل آموزش Machine Learning

• مروری بر آنالیز داده

  • مروری بر جبر خطی
  • مروری بر آنالیز داده
  • بیان بخش های مختلف هوش مصنوعی و تمرکز بر مواردی که در این دوره بررسی خواهد شد

• بررسی روشهای گوناگون آماده سازی مجموعه دادگان

  • معرفی چالش های موجود در آماده سازی مجموعه دادگان
  • معرفی روش K FOLD به همراه جداسازی بخشهای مختلف مجموعه داده جهت آموزش و ارزیابی مدل هوشمند

• بررسی رویکردهای گوناگون دسته بندی داده ها

  • بررسی رویکردهای مختلف دسته بندی اطلاعات
    • Binary class classification
    • Multi class classification
    • Multi label classification
    • Multi class Multi label classification
  • بررسی روش های گوناگون ارزیابی مدلهای مبتنی بر طبقه بندی

• بررسی رویکرد نزدیکترین همسایه

  • معرفی رویکرد KNNImputer و استفاده از آن برای پیش پردازش داده ها
  • معرفی رویکرد KNN در دسته بندی اطلاعات
  • بیان مزایا و معایب آن

• بررسی رویکردهای گوناگون رگرسیون خطی

  • پیاده سازی رگرسیون خطی به صورت ریاضیاتی و بررسی چالش های آن
  • بیان مفهوم گرادیان و تابع خطا
  • معرفی انواع توابع خطا مرسوم در رگرسیون خطی
  • بیان انواع گرادیان و پیاده سازی دستی آن برای آموزش یک مدل هوشمند
  • بررسی Polynomial Regression
  • بررسی مفهوم underfitting و overfitting
  • بررسی مفهوم Early Stopping و پیاده سازی آن
  • بررسی انواع مختلف Regularization
  • بررسی و پیاده سازی Logistic Regression
  • بیان مفهوم Softmax

• بررسی رویکرد Support Vector Machine

  • معرفی SVM و عملکرد آن در دسته بندی اطلاعات
  • معرفی SVR و عملکرد آن در رگرسیون خطی
  • بیان مزایا و معایب آن

• بررسی رویکرد درخت تصمیم

  • معرفی رویکرد Decision Tree در دسته بندی اطلاعات
    • بیان نحوه ی کارکرد آن و پیمایش درخت تصمیم
    • بیان مفاهیم آنتروپی، cut off point , ضریب جینی
  • معرفی رویکرد Decision Tree در رگرسیون خطی
  • بیان مزایا و معایب این رویکرد

• بررسی رویکردهای گوناگون خوشه بندی اطلاعات

  • معرفی رویکردهای مبتنی بر یادگیری بدون ناظر
  • معرفی رویکرد KMeans
    • نحوه عملکرد آن
    • نحوه ی ارزیابی آن
    • چالش های این رویکرد و نحوه ی حل آنان
    • معرفی نسخه های ارتقا یافته آن
  • معرفی رویکرد DBSCAN
    • نحوه عملکرد آن
    • نحوه ارزیابی آن

• بررسی رویکردهای مختلف کاهش بعد

  • بررسی لزوم کاهش بعد در آموزش یک مدل
  • بررسی کاهش بعد با دیدگاه Projection
    • بررسی رویکرد PCA
  • بررسی کاهش بعد با دیدگاه Manifold
    • بررسی رویکرد LLE

• بررسی رویکردهای ترکیبی Ensemble Methods

  • بررسی رویکرد Random Forest
  • بررسی رویکرد Adaptive Boost
  • بررسی مزایا و معایب آن

• بررسی ساختارهای گوناگون شبکه های عصبی – مقدماتی

  • معرفی Tensorflow
    • بیان نحوه ی کارکرد Tensorflow
    • انواع مختلف متغیر در Tensorflow
    • مفهوم Session و عملکرد آن در Tensorflow
    • مدیریت گراف ها
    • پیاده سازی یک مثال برای دسته بندی اطلاعات
    • پیاده سازی یک مثال برای رگرسیون خطی
    • ذخیره و بازیابی مجدد مدل
    • نمایش گراف و روال آموزش با Tensorboard
  • بررسی کارکرد شبکه های عصبی
    • بیان ساختار نورون و عملکرد آن در مغز
    • بیان انواع توابع آتش در نورون ها و بررسی آن
    • بررسی روال Back Propagation
    • پیاده سازی ساختار های مختلف یک شبکه عصبی جهت دسته بندی اطلاعات توسط numpy
    • پیاده سازی ساختار های مختلف یک شبکه عصبی جهت رگرسیون خطی توسط numpy

• بررسی ساختارهای گوناگون شبکه های عصبی – پیشرفته

  • معرفی KERAS
  • ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای دسته بندی اطلاعات در KERAS
  • ساخت یک مدل هوشمند مبتنی بر شبکه عصبی برای رگرسیون خطی در KERAS
  • نمایش گرافیکی یک مدل طراحی شده در KERAS
  • ذخیره و بازیابی یک مدل در KERAS
  • نحوه ی ارزیابی عملکرد یک مدل در KERAS

در مورد کاربردهای ماشین لرنینگ بیشتر بدانید.

برای کسب اطلاعات بیشتر در مورد آموزش Data analysis and Machine Learning ، روزهای شنبه الی پنجشنبه ساعت 17:30-09:00 با شماره 01334310000 داخلی 107 تماس حاصل فرمایید.