یادگیری ماشین

مخاطبین جزوۀ یادگیری ماشین شامل طیف وسیعی از افراد و گروه‌ها هستند که به دلیل نیازها و علایق مختلف، به این حوزه توجه می‌کنند.
دانشمندان علم داده، مهندسان یادگیری ماشین، تحلیلگران داده، پژوهشگران و اساتید دانشگاه، مدیران پروژه‌های فناوری اطلاعات، توسعه‌دهندگان نرم‌افزار، مشاوران تجاری و استراتژیست‌ها، دانشجویان و یادگیرندگان خودآموز و کارآفرینان و استارتاپ‌ها می‌توانند مخاطبین این جزوه قرار گیرند. این گروه‌ها ممکن است به دلیل اهداف تحقیقاتی، توسعه فناوری، کاربردهای تجاری، یا یادگیری و آموزش به یادگیری ماشین و تکنیک‌های مرتبط علاقه‌مند باشند.

سرفصل‌های دوره

1. رگرسیون خطی
2. رگرسیون لاسو و ریج
3. الستیک‌نت
4. پلی میان رگرسیون‌های ساده و پیچیده
5. رگرسیون بردار پشتیبان
6. ماشین بردار پشتیبان
7. کشف نمونه‌های پرت در یادگیری ماشین
8. استراتژی‌های پایه و پیشرفته برای جانهی مقادیر گمشده
9. مدل مارکوف پنهان
10. الگوریتم تقویت گرادیان
11. XGBoost
12. مروری بر روش‌های انتخاب ویژگی
13. کشف نمونه‌های تکراری
14. الگوریتم AdaBoost: تقویت عملکرد مدل‌ها
15. برترین معیارهای ارزیابی مدل‌های رگرسیون در یادگیری ماشین
16. رگرسیون لجستیک: دسته‌بندی‌کننده‌ی غیرخطی کلاسیک
17. درخت تصمیم
18. جنگل‌ تصادفی
19. بیز ساده‌انگارانه
20. منظم سازی در مدل‎های یادگیری ماشین
21. خوشه‌بندی k-means
22. K نزدیک‌ترین همسایه
23. الگوریتم خوشه‌بندی C-means فازی
24. تجزیهٔ مؤلفه‌های اصلی (PCA): بولدوزر داده‌های حجیم
25. انتخاب بهترین معیار ارزیابی مسائل دسته‌بندی
26. روش‌های یادگیری گروهی: رویکردهای تجمیعی، تقویتی و پشته‌سازی
27. خوشه‌بندی طیفی
28. الگوریتم خوشه‌بندی میانگین انتقالی (Mean-Shift)
29. تجزیه و تحلیل خوشه‌ای با DBSCAN
30. کاهش مکرر متعادل و خوشه‌بندی با استفاده از سلسله‌مراتب‌ها (BIRCH)
31. Catboost
32. خوشه‌بندی سلسله‌مراتبی
33. الگوریتم گاوسی آمیخته (GMM)
34. استانداردسازی و نرمال‌سازی در یادگیری ماشین
35. نقشۀ خودسامان‌ده (کاربردی متفاوت از شبکه‌های عصبی)