دیتا ساینس ۲

این دوره شامل آموزش تخصصی مباحث یادگیری ماشین ، آشنایی با شبکه های عصبی و یادگیری عمیق می باشد .
با شرکت در این دوره از ابتدایی ترین مراحل کار با داده ها ، تا ایجاد انواع شبکه های عصبی مصنوعی ، آموزش و تست آنها را خواهید آموخت .

مخاطبان دوره آموزشی دیتا ساینس :

– دانشجویان و فارغ التحصیلان تحصیلات تکمیلی رشته‌های فنی مهندسی، مدیریت و رشته‌های علوم پایه

– علاقمندان به حوزه علم داده (Data Science)، یادگیری ماشین و داده‌کاوی

– علاقه‌مندان به امور پژوهشی در حوزه علم داده

– اعضای تیم داده و هوش تجاری شاغل در استارتاپ‌ها، سازمان‌ها و کسب و کارها

– علاقمندان به اشتغال در حوزه علم داده

دوره دیتاساینس 2 طی 70 ساعت برگزار می شود و سرفصل آن به شرح زیر است :

بخش اول ، یادگیری ماشین :

• Introduction
• ML Definition
• ML importance & Applications
• Supervised Learning
  • Regression

(Univariate and Multivariate Linear Regression)

• Classification

(Logistic regression, neural networks, support vector machines)

• Unsupervised Learning
• Reinforcement Learning

• Regression
  • Linear regression
  • Gradient descent algorithm
  • Multi-variable linear regression
  • Polynomial regression
  • Normal equation
  • Locally weighted regression
  • Probabilistic interpretation (MLE)
• Logistic Regression
• Classification and logistic regression
• Probabilistic interpretation
• Logistic regression cost function
• Logistic regression and gradient descent
• Multi-class logistic regression
• Advanced optimization methods

• Regularization
• Overfitting and Regularization
• L2-Regularization (Ridge)
• L1-Regularization (Lasso)
• Regression with regularization
• Classification with regularization

• Neural Networks
• Multi-class logistic regression
• Softmax classifier
• Training softmax classifier
• Geometric interpretation
• Non-linear classification
• Neural Networks
• Training neural networks: Backpropagation
• Training neural networks: advanced optimization methods
• Gradient checking
• Mini-batch gradient descent

• SVM
  • Motivation: optimal decision boundary
  • Support vectors and margin
  • Objective function formulation: primal and dual
  • Non-linear classification: soft margin
  • Non-linear classification: kernel trick
  • Multi-class SVM

• Clustering
  • Supervised vs unsupervised learning
  • Clustering
  • K-Means clustering algorithm
  • Determining number of clusters: Elbow method
  • Post processing methods: Merge and Split clusters
  • Bisecting clustering
  • Hierarchical clustering
  • Application 1: Clustering digits
  • Application 2: Image Compression

• Dimensionality Reduction
  • Introduction to PCA
  • PCA implementation in python
  • PCA Applications
  • Singular Value Decomposition (SVD)

• Anomaly Detection
  • Introduction to anomaly detection
  • Some applications (security, manufacturing, fraud detection)
  • Anomaly detection using probabilistic modelling
  • Univariate normal distribution for anomaly detection
  • Multi-variate normal distribution for anomaly detection
  • Evaluation measures (TP, FP, TN, FN, Precision, Recall, F-score)
  • Anomaly detection as one-class classification
  • Classification vs anomaly detection

• Recommender Systems
  • Introduction to recommender systems
  • Collaborative filtering approach
  • User-based collaborative filtering
  • Item-based collaborative filtering
  • Similarity measures (Pearson, Cosine, Euclidian)
  • Cold start problem
  • Singular value decomposition
  • Content-based recommendation
  • Cost function and minimization

• Reinforcement Learning

 بخش دوم , یادگیری عمیق :

• Introduction to deep learning
• Complete Guide to Pytorch for Deep Learning with Python
• Neural Networks Basics
• Shallow neural networks
• Deep Neural Networks
• Perceptron Network and Implementation
• Fully-Connected and MLP networks
• Universal Approximators
• CNN Networks
• RNN Networks
• GAN Networks
• Optimization
• Loss Function and Cost Function
• Train