* برای انتخاب و برگزاری هر یک از دوره ها و یا دوره کامل (شخصی یا سازمانی) هماهنگی شود *
09133157397
** این دوره به صورت کاملا حرفه ای و به منظور تربیت مدرس یادگیری ماشین طراحی شده است **
*ML-100*
by SPICES Model
Student Centered
Problem Based
Integrated
Community Oriented & Community Based
Electiveness
Systematic & Systemic
۱. مقدمهای بر یادگیری ماشین (ML1)
- تعریف و تاریخچه یادگیری ماشین
- تفاوت یادگیری ماشین با هوش مصنوعی و دادهکاوی
- انواع یادگیری: نظارتشده، بدون نظارت، نیمهنظارتی، یادگیری تقویتی
- کاربردهای یادگیری ماشین در صنایع مختلف
- مراحل طراحی و توسعه یک مدل یادگیری ماشین
۲. ابزارها و زبانهای برنامهنویسی در یادگیری ماشین (ML2)
- مروری بر پایتون برای علوم داده
- معرفی کتابخانهها: NumPy، Pandas، Matplotlib، Scikit-learn
- بارگذاری داده، پیشپردازش و مصورسازی
- کار با Jupyter Notebook
۳. پیشپردازش دادهها (Data Preprocessing) (ML3)
- پاکسازی دادهها: دادههای گمشده، نویزی، پرت
- مهندسی ویژگیها و انتخاب ویژگی
- نرمالسازی و استانداردسازی دادهها
- تقسیم داده به آموزش/آزمون، Cross-Validation
- مدیریت دادههای نامتوازن SMOTE
۴. یادگیری نظارتشده – طبقهبندی (Classification) (ML4)
- KNN
- درخت تصمیم و جنگل تصادفی (Random Forest)
- رگرسیون لجستیک
- ناایو بیز (Naive Bayes)
- ماشین بردار پشتیبان (SVM)
- معیارهای ارزیابی: Accuracy، Precision، Recall، F1، ROC-AUC
۵. یادگیری نظارتشده – رگرسیون (Regression) (ML5)
- رگرسیون خطی
- رگرسیون چندجملهای (Polynomial)
- رگرسیون Ridge, Lasso, Elastic Net
- رگرسیون درخت تصمیم
- معیارهای ارزیابی: MSE، RMSE، MAE، R²
۶. یادگیری بدون نظارت (Unsupervised Learning) (ML6)
- الگوریتمهای خوشهبندی: K-means، خوشهبندی سلسلهمراتبی، DBSCAN
- کاهش ابعاد: PCA، t-SNE، UMAP
- قوانین انجمنی (Association Rules): Apriori، FP-growth
- کاربردها در تشخیص ناهنجاری و بخشبندی مشتریان
۷. یادگیری تجمعی (Ensemble Learning) (ML7)
- Bagging، Boosting، Stacking
- Random Forest
- AdaBoost، Gradient Boosting، XGBoost
- مزایا و کاربردهای صنعتی
۸. شبکههای عصبی و یادگیری عمیق – مقدماتی (ML8)
- معرفی پرسپترون و MLP
- توابع فعالسازی
- الگوریتم پسانتشار خطا (Backpropagation)
- معرفی اولیه TensorFlow و PyTorch
- مقایسه ML سنتی و یادگیری عمیق
۹. بهینهسازی مدل (Model Optimization) (ML9)
- تنظیم ابرپارامترها (Grid Search، Random Search، Bayesian Optimization)
- اهمیت ویژگیها
- Regularization
- مدیریت overfitting و underfitting
- انواع Cross-Validation
۱۰. یادگیری تقویتی – مقدماتی (Reinforcement Learning) (ML10)
- تعامل عامل و محیط
- فرایند تصمیمگیری مارکوف (MDP)
- Q-Learning مقدماتی
- کاربردها در رباتیک، بازیها، بهینهسازی صنعتی
۱۱. توسعه پروژههای واقعی یادگیری ماشین (ML11)
- تعریف مسئله
- گردآوری و برچسبگذاری داده
- انتخاب مدل و ارزیابی
- استقرار مدل در API، وبسرویس، یا Cloud
- ملاحظات اخلاقی Bias، حریم خصوصی، امنیت داده
۱۲. مطالعه موردی (Case Studies) و پروژه پایانی (ML12)
- کاربرد ML در موضوع توافقی با دانش پذیر
- انتخاب دیتاست
- پیشپردازش
- آموزش و ارزیابی
- ارائه و تحلیل
