Lecture 10 - Using Python and sci-kit learn

آموزش عملی یادگیری ماشین با پایتون و Scikit-Learn (جلسه دهم) 🐍💻 در این ویدیو، به سراغ پیاده‌سازی عملی مفاهیم یادگیری ماشین می‌رویم. از انتخاب محیط کدنویسی گرفته تا کار با دیتاست‌های معروف و مقایسه الگوریتم‌های مختلف، همه چیز را در این جلسه بررسی می‌کنیم. آنچه در این ویدیو خواهید آموخت: 🔹 شروع کار با پایتون: راهنمای نصب، استفاده از IDLE، Notepad++ و محیط تعاملی Jupyter Notebook. [01:14] 🔹 معرفی منابع و دیتاست‌ها: آشنایی با مخزن UCI و دیتاست معروف گل زنبق (Iris Dataset). [19:52] 🔹 کار با Scikit-Learn: آموزش استفاده از کتابخانه قدرتمند sklearn برای طبقه‌بندی داده‌ها. [40:03] 🔹 درخت تصمیم (Decision Tree): نحوه ساخت، آموزش و تحلیل گرافیکی درخت تصمیم برای پیش‌بینی کلاس داده‌ها. [51:23] 🔹 ارزیابی مدل: بررسی معیارهای دقت (Accuracy)، ماتریس درهم ریختگی (Confusion Matrix) و گزارش طبقه‌بندی. [01:02:40] 🔹 مقایسه الگوریتم‌ها: بررسی عملکرد مدل‌های مختلف مانند Naive Bayes، KNN، SVM و Logistic Regression در کنار هم. [01:11:14] 🔹 تحلیل نمودارها: آشنایی با منحنی‌های Precision-Recall و ROC برای سنجش دقیق مدل. [01:15:21] #یادگیری_ماشین #پایتون #برنامه_نویسی #هوش_مصنوعی #آموزش_پایتون #داده_کاوی #سایکیت_لرن #الگوریتم #درخت_تصمیم #کدنویسی #MachineLearning #Python #ScikitLearn #DataScience #JupyterNotebook #AI