| 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 کاهش بعد با دیدگاه Manifold
|
| 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
|
