دوره آموزش ماشین لرنینگ – قسمت صفر (مقدمه)

همیشه این موضوع که برخی از افراد علاقه مند به مباحث هوش مصنوعی، آموزش ماشین لرنینگ، یادگیری عمیق و… به علت عدم تسلط کافی به زبان انگلیسی نمی تونن از منابع اصلی استفاده کنن و گاهی اوقات مجبور می شن برای دوره های بی کیفیت، ناقص و صرفا ترجمه شده هزینه های زیادی رو پرداخت کنن، یک جور حس نارضایتی از وضعیت موجود رو برای من ایجاد می کرد.
این شد که در اسفند سال 1400 بالاخره تصمیمم رو گرفتم و ایده ای که قبلا به صورت نامنظم در سایت هایی مثل ویرگول، Medium، آپارات، Youtube و … بخش هایی از اون رو اجرا کرده بودم، در traintotest.com خیلی نزدیک تر به ساختاری که مدنظرم بود، اجرا کردم.   ادامه مطلب

منبع اصلی قسمت های 1 تا 10 دوره ماشین لرنینگ

رفرنس اصلی برای ساخت قسمت های 1 تا 10 دوره آموزش یادگیری ماشین، دوره “Intro to Machine Learning” از سایت Kaggle است. اما با هدف بهبود کیفیت محتوای آموزشی، بخش هایی نیز به آن اضافه شد که با مقایسه فهرست دو دوره می توانید آن ها را مشاهده کنید.

پیشنیاز دوره

برای این دوره شما نیاز به درک حداقلی از زبان برنامه نویسی پایتون دارید. آشنایی اولیه با کتابخانه pandas هم می تونه مفید باشه. نیاز به دانش ریاضی چندانی هم نیست 🙂
اگر به یادگیری پایتون علاقه مند هستید علاوه بر منابع فارسی خیلی خوب می توانید از دوره کوتاه آموزش پایتون در Kaggle نیز استفاده کنید (لینک دوره Python در کگل) .

فهرست محتوایی قسمت های 1 تا 10 دوره آموزش ماشین لرنینگ

تاکنون 10 قسمت از دوره آموزش یادگیری ماشین به صورت زیر منتشر شده است.

1. قسمت اول – دوره آموزش ماشین لرنینگ (مشاهده)
   – موضوع معرفی مفاهیم پایه در ماشین لرنینگ.
   – یادگیری با ناظر (Supervised Learning – Inductive)
   – یادگیری بدون ناظر (Unsupervised Learning – Inductive)
   – یادگیری نیمه نظارتی (Semi Supervised Learning – Inductive) یا یادگیری تقویتی (Reinforcement Learning)
2. قسمت دوم – دوره آموزش ماشین لرنینگ (مشاهده)
   – معرفی الگوریتم درخت تصمیم (Decision tree)
   – پیاده سازی الگوریتم «درخت تصمیم» برای پیش بینی قیمت خانه با استفاده از sklearn
3. قسمت سوم – دوره آموزش ماشین لرنینگ (مشاهده)
   – معرفی الگوریتم رگرسیون خطی ساده (Simple linear regression)
   – پیاده سازی «رگرسیون خطی ساده»برای پیش بینی قیمت خانه با استفاده از روش Ordinary Least Squares
4. قسمت چهارم – دوره آموزش ماشین لرنینگ (مشاهده)
   – معرفی مفاهیم مجموعه داده فاز آموزش و یادگیری (Training) و مجموعه داده فاز ارزیابی (Validation)
   – پیاده سازی روش Train Test Split با استفاده از sklearn
5. قسمت پنجم – دوره آموزش ماشین لرنینگ (مشاهده)
   – معرفی مفاهیم بیش برازش (Overfitting) و کم برازش (Underfitting) در ماشین لرنینگ
   – بهبود عملکرد الگوریتم «درخت تصمیم» برای پیش بینی قیمت خانه با استفاده از تغییر عمق درخت
6. قسمت ششم – دوره آموزش ماشین لرنینگ (مشاهده)
   – معرفی الگوریتم جنگل تصادفی (Random Forest)
   – پیاده سازی الگوریتم «جنگل تصادفی» برای پیش بینی قیمت خانه با استفاده از sklearn
7. قسمت هفتم – دوره آموزش ماشین لرنینگ (مشاهده)
   – معرفی و پیاده سازی شش معیار ارزیابی خطا در مسایل رگرسیونی با استفاده از sklearn
   – مجموع مربعات خطا (Sum Squared Error) یا به اختصار SSE
   – خطای میانگین مربعات (Mean Squared Error) یا به اختصار MSE
   – خطای جذر میانگین مربعات (Root Mean Squared Error) یا به اختصار RMSE
   – خطای میانگین قدر مطلق (Mean Absolute Error) یا به اختصار MAE
   – درصد میانگین قدر مطلق خطا (Mean Absolute Percentage Error) یا به اختصار MAPE
   – خطای ضریب تعیین (R squared) یا به اختصار R^2
8. قسمت هشتم – دوره آموزش ماشین لرنینگ (مشاهده)
   – مرور الگوریتم رگرسیون خطی ساده (Simple linear regression)
   – معرفی الگوریتم رگرسیون خطی چندگانه (Multiple linear regression)
   – پیاده سازی الگوریتم رگرسیون خطی چندگانه با و بدون استفاده از sklearn
9. قسمت نهم – دوره آموزش ماشین لرنینگ (مشاهده)
   – معرفی الگوریتم رگرسیون لجستیک (Logistic regression) برای طبقه بندی (Classification) داده ها
   – پیاده سازی الگوریتم «رگرسیون لجستیک» برای طبقه بندی گل های دیتاست Iris با استفاده از sklearn
10. قسمت دهم- دوره آموزش ماشین لرنینگ (مشاهده)
    – معرفی داده های گسسته و پیوسته
    – مرور قسمت های 1 تا 10 از دوره آموزش ماشین لرنینگ

فهرست دوره Intro to Machine Learning در Kaggle

دوره سایت Kaggle از هفت بخش زیر تشکیل شده است (لینک دوره کگل):

Intro to Machine Learning
Learn the core ideas in machine learning, and build your first models.

1. How Models Work
   The first step if you’re new to machine learning.
2. Basic Data Exploration
   Load and understand your data.
3. Your First Machine Learning Model
   Building your first model. Hurray!
4. Model Validation
   Measure the performance of your model, so you can test and compare alternatives.
5. Underfitting and Overfitting
   Fine-tune your model for better performance.
6. Random Forests
   Using a more sophisticated machine learning algorithm.
7. Machine Learning Competitions (Link)
   Enter the world of machine learning competitions to keep improving and see your progress.