Please enable JavaScript.
Coggle requires JavaScript to display documents.
AI (Data science methodology, machine learning, کتابخانه های پایتون,…
AI
Data science methodology
مساله ای که باید حل شود چیست؟
به چه روشی میشود از دیتا برای حل مساله استفاده کرد؟ (Analyttic Approach)
چه داده هایی برای حل مساله نیاز است؟(Data Requirements)
دیتاهای مورد نیاز از کجا جمع آوری شوند؟(Data Collection)
آیا دیتا های جمع آوری شده برای پاسخ به مساله کافی و مناسب هستند؟(Data Understanding)
کارهای دیگر که جهت استفاده از دیتاهای موجود لازم است انجام شده چیست؟(Data Preparation)
پیداکردن مدل مناسب و نحوه نمایش دادن پاسخ چیست؟(Data modeling)
آیا مدل استفاده شده به درستی پاسخ مساله را میدهد؟(Evaluation)
آیا مدل بدست آمده قابل اجرا است؟(Production)
آیا مدل بدست آمده قابل فیدبک گذاری سازنده است؟(Feedback)
machine learning
Supervised learning
Regression
Linear Regression
Non-linear regression
classification
Evaluation
performance metric
normalize
Train/Test
Decision Trees
Naive bayes
K-Nearest Neighbors
Grad Search
Random Forest
Support Vector Machines
Artificial Neural Network(ANN)
Logistic-Regression
Unsupervised learning
K-Means
Principal Component Analysis(PCA)
Semi-supervised learning
Reinforcement learning
10حوزه پر کاربرد machine learning
Computer Vision(بینایی ماشین)
Natural Language Processing(NLP:پردازش زبان طبیعی)
Speech Recognition(تشخیص گفتار)
Reinforcement Learning(یادگیری تقویتی)
Recommender Systems(سیستم های پیشهاد دهنده)
Time Series Analysis(تحلیل سرهای زمانی)
Anomaly Detection(تشخیص ناهنجاری)
Generatire AI(هوش مصنوعی مولد)
Healthcare Informatics(مهندسی پزشکی)
Big Data and Distributed ML(کلان داده)
Balancing bias and variance
با جزئیات زیاد: Overfit
Underfit: درست و حسابی نباشد
Goodfitting: خطای ترین و تست متعادل است
کتابخانه های پایتون
Numpy
بردار
ماتریس
چند بعدی
Pandas
سری
دیتافریم
Matplotlib
خطی
میله ای
دایره ای
پراکندگی
هیستوگرام
Concepts of artificial intelligence
Definition of artificial intelligence
Features of artificial intelligence system
inference
big data
Problem Solving
learning