دوره ماشین لرنینگ

سرفصل های دوره

Mathematical Foundations

• Linear Algebra
• Vectors and Matrix
• Matrix Operations
• Eigenvalues and Eigenvectors in NumPy

Algebra with NumPy

• Linear Algebra with NumPy
• Arrays and Matrix & Operations
• Broadcasting and Vectorization

Introduction to Machine Learning

• Definition and Types of Machine Learning
• Applications of Machine Learning
• Data Type
• Overview of Machine Learning Workflow

Data Preprocessing

• Data Cleaning and Transformation
• Handling Missing Values
• Feature Scaling and Normalization
• Encoding Categorical Data

Linear Regression

• Simple and Multiple Linear Regression
• Evaluation Metrics: MAE, MSE, RMSE, R2-Score

Polynomial Regression

• Find out the best degree of the model.
• Plot the train and validation errors for each degree

Logistic Regression

• Model & Applications
• Sigmoid Function
• Cost Function & Confusion Matrix & F1 Score
• ROC Curve & Precision-Recall Plot

Gradient Descent

• Stochastic, Batch, Mini Batch Gradient Descent
• Momentum-based gradient descent

Important Concepts in Machine Learning

• Bias and Variance
• Overfitting & Underfitting
• Techniques to Manage Overfitting
• Regularization L1&L2 (Ridge, Lasso, Elastic Net)

K-Nearest Neighbors (KNN)

• Elbow Method
• Pipeline

Naive Bayes Classifier

• Types: Gaussian, Multinomial, Bernoulli Naive Bayes
• Applications (Text classification, spam filtering,sentiment analysis)

Decision Trees

• Tree Structure
• Splitting Criteria
• Pruning

Support Vector Machines (SVM)

• Hyperplane & Support Vectors
• Kernel Trick
• Grid Search and Random Search

Dimensionality Reduction

• Principal Component Analysis (PCA)
• Eigenvalues and Eigenvectors

K-Means Clustering

• Applications: Market segmentation, image segmentation

Hierarchical Clustering

• bottom-up approach & top-down approach
• Dendrogram

DBSCAN

• (Density-Based Spatial Clustering of Applications with Noise)
• Parameters: Epsilon & minimum samples

مزایای دوره:

• استاد و منتورهای حرفه ای
• آموزش جامع و کاربردی
• پروژه‌های عملی
• دسترسی به منابع آموزشی و هرآنچه که برای پیشرفت در این حوزه به آن نیاز دارید
• پشتیبانی آنلاین
• آموزش نحوه ارتقاء خود در جامعه هوش مصنوعی بین المللی و استفاده از ابزار های کمک کننده به آن
• دریافت مدرک با امضای هیئت علمی دانشگاه شریف
• آموزش نحوه پیاده سازی
• برگزاری ورکشاپ های کاربردی
• امکان گذراندن کارآموزی در شرکت عصرگویش پرداز و یا معرفی به شرکت های بزرگ هوش مصنوعی
• استفاده از چت بات های برای افزایش قدرت مدل های هوش مصنوعی

استاد و منتورهای دوره:

• استاد دوره: خانوم مهندس امینی LinkedIn
• منتور: خانوم مهندس بندخت LinkedIn
• منتور: آقای مهندس سلیمانی LinkedIn
• منتور: آقای مهندس دریابکی LinkedIn

بستر برگزاری دوره:

• Google Meet
• بارگزاری جلسات در Spot Player
• دریافت تمرینات شما در GitHub که از مهم ترین ابزار های مهندسین هوش مصنوعی و نرم افزار هست.