Machine Learning with Python

Course Objective:

In this workshop, various machine learning topics will be discussed practically using Python. It is worth mentioning that, in addition to hands-on coding, theoretical concepts will also be briefly reviewed to make this workshop suitable for individuals with any background interested in machine learning.

Course Content:

• A fast review of Python
• numpy library
• pandas library
• matplotlib library
• seaborn library
• Data cleaning (including outlier detection)
• Regression (Linear and Polynomial)
• Regularization
• Hyperparameters and methods for finding the best hyperparameters
• Feature Engineering
• Logistic Regression
• K-Nearest Neighbors (KNN)
• Support Vector Machines (SVM) for classification and regression
• Decision Trees
• Random Forest
• Boosting algorithms (AdaBoost, Gradient Boosting, XGBoost)
• Clustering (Hierarchical, K-Means, DBSCAN)
• Dimensionality Reduction
• Principal Component Analysis (PCA)
• Linear Discriminant Analysis (LDA)
• Interpretability (if possible)

هدف دوره:

در این کارگاه مباحث مختلف یادگیری ماشین به صورت عملی با پایتون بحث می‌شود. شایان ذکر است علاوه بر آموزش عملی همراه با کد، مفاهیم تئوری نیز به طور خلاصه مرور می‌شود تا این کارگاه مناسب افراد علاقه‌مند به یادگیری ماشین با هر پیش‌زمینه‌ای مناسب باشد.

محتوای دوره:

• مرور سریعی بر پایتون
• کتابخانه numpy
• کتابخانه pandas
• کتابخانه matplotlib
• کتابخانه seaborn
• پاکسازی داده‌ها (شامل شناسایی داده‌های پرت)
• رگرسیون (خطی و چندجمله‌ای)
• منظم‌سازی
• ابرپارامترها و روش‌های یافتن بهترین ابرپارامترها
• مهندسی ویژگی
• رگرسیون لاجیستیک
• k-نزدیک‌ترین همسایگی
• ماشین بردار پشتیبان (رگرسیون و دسته‌بندی)
• درخت تصمیم
• جنگل تصادفی
• پیش‌برندگی و الگوریتم‌های مربوطه (AdaBoost، GradBoost، XGBoost)
• خوشه‌بندی (سلسله مراتبی، K-Means، DBSCAN)
• کاهش ابعاد
• تحلیل مولفه اصلی (PCA)
• تحلیل تمایزی خطی (LDA)
• تفسیرپذیری (در صورت امکان)

برای ثبت‌نام در دوره و کسب اطلاعات بیشتر، از این لینک استفاده کنید:

🔗 ثبت‌نام در دوره