طراحی و پیاده سازی یادگیری با نظارت

دانش: - تعریف هوش مصنوعی، یادگیری ماشین و یادگیری عمیق - مفهوم دادههای برچسب دار ( Labeled Data ) - چرخه حیات یك پروژه یادگیری ماشین

مهارت: - آماده سازی محیط برنامه نویسی پایتون - کار با کتابخانه های NumPy, Pandas و Matplotlib - بارگذاری و نمایش اولیه یك مجموعه داده

معیار ارزیابی: - تشریح یادگیری ماشین - مقایسه کردن انواع یادگیری (نظارت شده، بدون نظارت، تقویتی) - تفکیک کردن مسائل رگرسیون و طبقه بندی - ترسیم کردن فرآیند گام به گام یک پروژه یادگیری ماشین

دانش: - انواع داده ها - روشهای پر کردن مقادیر گمشده (میانگین، مد) - الگوریتمهای مقیاس بندی( StandardScaler, MinMaxScaler ) - مفهوم همبستگی بین ویژگی ها

مهارت: - پاكسازی یك مجموعه داده واقعی - اعمال روشهای مختلف برای مدیریت مقادیر گمشده - مصورسازی توزیع داده ها با هیستوگرام و نمودار جعبه ای - محاسبه و تحلیل ماتریس همبستگی

معیار ارزیابی: - پاكسازی کردن داده ها از مقادیر نامعتبر مدیریت کردن مقادیر گمشده(Missing Values) - مقیاس بندی کردن ویژگی ها(Feature Scaling) انجام دادن تحلیل داده اکتشافی(EDA)

دانش: - نحوه عملکرد رگرسیون خطی و لجستیکی - مفهوم احتمال شرطی در رگرسیون لجستیکی - تابع فرضیه Hypothesis Function در رگرسیون - تابع هزینه میانگین مربعات خطا( MSE ) - الگوریتم کاهش گرادیان ( Gradient Descent ) - مفهوم ضرایب و عرض از مبدأ

مهارت: - پیادهسازی رگرسیون خطی و لجستیکی در پایتون - آموزش مدل روی یك مجموعه داده (مانند قیمت مسکن) - مصورسازی خط رگرسیون روی داده ها - پیشبینی مقادیر جدید با مدل آموزش دیده

معیار ارزیابی: پیاده سازی کردن مدل رگرسیون خطی ساده - پیاده سازی کردن مدل رگرسیون خطی چندگانه - پیاده سازی کردن مدل رگرسیون لجستیکی

دانش: - تابع سیگموئید( Sigmoid Function ) - تابع هزینه آنتروپی متقاطع (CrossEntropy ) - مفهوم مرز تصمیم خطی و غیرخطی - رگرسیون لجستیك برای طبقه بندی چندکلاسه

مهارت: - پیاده سازی رگرسیون لجستیك با Scikit-learn - آموزش مدل روی یك مجموعه داده طبقه بندی (مانند تشخیص اسپم) - مصورسازی مرز تصمیم برای یك مسئله دو بعدی - پیشبینی کلاس برای نمونه های جدید

معیار ارزیابی: - پیاده سازی کردن مدل رگرسیون لجستیک ترسیم کردن مرز تصمیم(Decision Boundary) - محاسبه کردن احتمالات تعلق به هر کلاس - تفسیر کردن خروجی تابع سیگموئید

دانش: - الگوریتم K نزدیكترین همسایه - معیارهای ناخالصیImpurity آنتروپی و شاخص جینیMeasures - الگوریتم ساخت درخت تصمیم (مانند ID3, C4.5 ) - هایپرپارامترهای مهم در درختان تصمیم

مهارت: - انتخاب K بهینه برای الگوریتم KNN و پیادهسازی KNN - آموزش یك مدل درخت تصمیم برای طبقهبندی - مصورسازی و تفسیر قوانین درخت - تنظیم هایپرپارامتر حداکثر عمق(max_depth)

معیار ارزیابی: پیاده سازی کردن مدلknn Decision Tree مصورسازی کردن درخت تصمیم ساخته شده هرس کردن درخت تصمیم برای جلوگیری از بیش برازش

دانش: - مفاهیم Bagging و Boosting - نحوه عملکرد جنگل تصادفی - الگوریتمهای تقویتکننده گرادیان ( Gradient Boosting ) - اهمیت ویژگی( Feature Importance ( در مدلهای درختی

مهارت: - آموزش مدل جنگل تصادفی برای رگرسیون و طبقه بندی - پیادهسازی مدل Gradient Boosting با Scikit-learn - تنظیم کردن هایپرپارامترهای کلیدی مدل های گروهی - استخراج و مصورسازی اهمیت ویژگیها

معیار ارزیابی: - پیاده سازی کردن الگوریتم جنگل تصادفی - پیاده سازی کردن الگوریتمAdaBoost - پیاده سازی کردن الگوریتمGradient Boosting - مقایسه کردن عملکرد مدل های گروهی با مدلهای تکی

دانش: - مفهوم حاشیه حداکثری ( Maximal Margin ) - بردارهای پشتیبان (Support Vectors ) - ترفند کرنل و نگاشت به فضای با ابعاد بالاتر - هایپرپارامتر تنظیم سازی

مهارت: - آموزش یك طبقه بند SVM خطی - اعمال SVM با کرنل RBF روی دادههای غیرخطی - مقایسه بصری مرز تصمیم با کرنلهای مختلف - استفاده از جستجوی شبکه ای برای یافتن C و گامای بهینه

معیار ارزیابی: پیاده سازی کردن ماشین بردار پشتیبانبرای طبقه بندی خطی (SVM) استفاده کردن از ترفند کرنلبرای مسائل غیرخطی (Kernel Trick) ، مقایسه کردن کرنلهای مختلف( خطی، چندجمله ایRBF)

دانش: اهمیت ارزیابی مدل روی دادههای دیدهنشده - مفهوم بیشبرازش ( Overfitting ) و کم برازش ( Underfitting ) اعتبارسنجی متقابلCross-Validation توازن بین صحت و یادآوری Precision-Recall Tradeoff

مهارت: پیاده سازی فرآیند تقسیم داده - محاسبه ماتریس درهم ریختگی و معیارهای مرتبط - پیاده سازی اعتبارسنجی متقابل K-Fold

معیار ارزیابی: - تفکیک کردن داده ها به مجموعه های آموزش، اعتبارسنجی و آزمون - محاسبه کردن معیارهای ارزیابی طبقه بندی دقت، صحت، یادآوری - ساختن و تحلیل کردن ماتریس درهمریختگی(Confusion Matrix) - محاسبه کردن معیارهای ارزیابی رگرسیون(MAE, RMSE)

دانش: - بایاس و واریانس ( Bias-Variance Tradeoff ) - مفهوم تنظیم سازی ( Regularization ) - اثر تنظیم سازی L1 و L2 بر ضرایب مدل - جستجوی شبکه ای ( Grid Search ) برای یافتن هایپرپارامترها

مهارت: - مصورسازی منحنی های یادگیری برای تشخیص بیش برازش - اعمال رگرسیون Ridge و Lasso روی یك مدل خطی - مقایسه ضرایب مدل قبل و بعد از تنظیمسازی - پیاده سازی جستجوی شبکهای برای یافتن بهترین آلفا

معیار ارزیابی: - تشخیص دادن پدیده بیشبرازش در یک مدل - پیاده سازی کردن تنظیم سازیL2 (Ridge) - پیادهسازی کردن تنظیم سازیL1 (Lasso) - انتخاب کردن پارامتر تنظیم سازی بهینه(Alpha)