توضیحات
اطلاعات دوره ماشین لرنینگ(هوش مصنوعی) Machine Learning
پیش نیاز ها
- آشنا به آمار و احتمال ریاضی
- برنامه نویسی پایتون
- آنالیز داده
سرفصل ها
- بررسی روشهای گوناگون آماده سازی مجموعه دادگان
- بررسی رویکردهای گوناگون دسته بندی داده ها
- بررسی رویکرد نزدیکترین همسایه
- بررسی رویکردهای گوناگون رگرسیون خطی
- بررسی رویکرد ماشین بردار پشتیبان
- بررسی رویکرد درخت تصمیم
- بررسی رویکردهای گوناگون خوشه بندی اطلاعات
- بررسی رویکردهای مختلف کاهش بعد
- بررسی رویکردهای مختلف مدل های ترکیبی
- بررسی ساختارهای گوناگون شبکه های عصبی
کسب توانایی ها
- ساخت مدل های هوشمند برای استخراج الگو و ویژگی در داده ها
- ساخت مدل های هوشمند مبتنی بر ناظر برای دسته بندی داده ها
- ساخت مدل های هوشمند بدون ناظر برای خوشه بندی داده ها
- بهبود عملکرد مدل های هوشمند با اصلاح ابعاد داده ای
- معرفی مدل یادگیری مغز انسان با بررسی عملکرد نورون ها
- شبیه سازی عملکرد نورونهای مغز انسان در شبکه عصبی در کنار نحوه تکثیر دانش در آن
- پیاده سازی روال های Forward propagation و Backpropagationدر شبکه های عصبی به صورت پایه ای و بررسی کتابخانه های مرتبط با آن در پایتون
- پیاده سازی شبکه های نیمه عمیق عصبی برای دسته بندی و پیش بینی داده