(۵ امتیاز از ۱ رای)
Loading...
اطلاعات دوره

مدت دوره

۰۲:۲۸:۲۴

تعداد قسمت ها

۸۸ قسمت

تعداد دانشجو

۵ نفر

رایگان

اطلاعات مدرس

مدرک تحصیلی

دکترای تخصصی

تعداد دوره ها

۱۰ مورد

آموزش پایتون برای یادگیری ماشین (دوره کامل برای مبتدیان)

آموزش پایتون برای یادگیری ماشین (Python for Machine Learning)

در این بخش دانلود رایگان فیلم آموزش پایتون برای یادگیری ماشین (دوره کامل برای مبتدیان) را آماده کرده ایم که توسط Meta Brains از مجموعه آموزشی یودمی (Udemy) به زبان انگلیسی در مدت ۲ ساعت و ۲۸ دقیقه تهیه شده است. در ادامه توضیحاتی از معرفی دوره ارائه شده و فهرست مطالب به همراه لینک دانلود رایگان آموزش قرار داده شده است. امروزه از دانشمندان داده انتظار این است که مجموعه مهارت های مشابه با تحلیلگران وال استریت در دهه های ۸۰ و ۹۰ میلادی را داشته باشند. در آن دوران افرادی که در فیزیک و ریاضی سابقه داشتند به بانک های سرمایه گذاری و صندوق های پوشش ریسک هجوم می بردند، زیرا می توانستند روش های داده و الگوریتم های جدید پیشنهاد دهند.

معرفی دوره

در دوره آموزشی یادگیری ماشین (Machine learning) مبانی ضروری ارائه می شود تا شما چگونگی استفاده از یادگیری ماشین و هوش مصنوعی (AI) جهت استخراج معنا و بینش از مجموعه داده های عظیم را در سازمان های بزرگ از جمله گوگل، آمازون و حتی یودمی درک کنید. در این دوره آموزشی اصطلاحات و حاشیه نویسی های ریاضی به صورت خلاصه ارائه شده و هر موضوع به زبانی ساده بیان شده تا مفاهیم آنها به سادگی قابل درک باشد. هدف اصلی این دوره آموزشی پایتون برای یادگیری ماشین ، بر روی درک و استفاده از این الگوریتم ها در دنیای واقعی بوده و زمینه تئوری و آکادمی را مورد توجه قرار نداده است. این دوره آموزشی نحوه ایجاد الگوریتم های یادگیری ماشین در پایتون را به متخصصان و دانشجویان آموزش می دهد.

مطالبی که در این آموزش یاد می گیرید شامل برنامه نویسی پایتون و Scikit learn اعمال شده در رگرسیون یادگیری ماشین، درک مفاهیم و تئوری اساسی پشت تکنیک های رگرسیون خطی چندگانه و ساده، نحوه حل مشکلات رگرسیون (رگرسیون خطی و رگرسیون لجستیک)، درک تئوری و پیاده سازی عملی رگرسیون لجستیک با sklearn ، یادگیری ریاضیات پشت درخت های تصمیم گیری، آشنایی با الگوریتم های مختلف خوشه بندی. این دوره آموزشی پایتون برای افرادی که به دنبال شغلی در زمینه یادگیری ماشین هستند و یا علاقه مندان به برنامه نویسی Python که قصد افزودن تخصص یادگیری ماشین به پورتفولیو خود را دارند، بسیار مناسب است. همچنین متخصصان فناوری کنجکاو درباره نحوه کارکرد یادگیری ماشین در دنیای واقعی و برنامه نویسانی که به دنبال افزودن یادگیری ماشین به مجموعه مهارت های خود هستند، می توانند از این دوره استفاده نمایند.

فهرست مطالب آموزش پایتون برای یادگیری ماشین

آشنایی با یادگیری ماشینی

  • یادگیری ماشین چیست؟
  • اپلیکیشن های یادگیری ماشین
  • متد های یادگیری ماشین
  • یادگیری تحت نظارت چیست؟
  • یادگیری بدون نظارت چیست؟
  • یادگیری تحت نظارت در مقابل یادگیری بدون نظارت
  • مباحث دوره

رگرسیون خطی ساده

  • آشنایی با رگرسیون
  • نحوه کارکرد رگرسیون خطی
  • نمایش خط
  • پیاده سازی در پایتون: ایمپورت کتابخانه ها و مجموعه های داده
  • پیاده سازی در پایتون: توزیع داده
  • پیاده سازی در پایتون، ایجاد یک شی رگرسیون

رگرسیون خطی چندگانه

  • درگ رگرسیون خطی چندگانه
  • پیاده سازی در پایتون: اکتشاف مجموعه داده
  • پیاده سازی در پایتون: رمزگذاری داده دسته بندی شده
  • پیاده سازی در پایتون: تقسیم داده در مجموعه های تست و آموزش
  • پیاده سازی در پایتون: آموزش مدل در مجموعه آموزش
  • پیاده سازی در پایتون: پیش بینی نتایج مجموعه
  • ارزیابی عملکرد مدل رگرسیون
  • خطای جذر میانگین مربعات در پایتون

الگوریتم های دسته بندی: K-Nearest Neighbors

  • آشنایی با دسته بندی
  • الگوریتم K-Nearest Neighbors
  • مثال از الگوریتم KNN
  • الگوریتم (K-Nearest Neighbours (KNN با استفاده از پایتون
  • پیاده سازی در پایتون: ایمپورت کتابخانه های مورد نیاز
  • پیاده سازی در پایتون: ایمپورت مجموعه داده
  • پیاده سازی در پایتون: تقسیم داده در مجموعه های تست و آموزش
  • پیاده سازی در پایتون: مقیاس بندی ویژگی
  • پیاده سازی در پایتون: ایمپورت KNN classifier
  • پیاده سازی در پایتون: پیش بینی نتایج و ماتریس درهم ریختگی

الگوریتم های دسته بندی: درخت تصمیم گیری

  • آشنایی با درخت تصمیم گیری
  • آنتروپی چیست؟
  • اکتشاف مجموعه داده
  • ساختار درخت تصمیم گیری
  • پیاده سازی در پایتون: ایمپورت کتابخانه ها و مجموعه های داده
  • پیاده سازی در پایتون: رمزگذاری داده دسته بندی شده
  • پیاده سازی در پایتون: تقسیم داده در مجموعه های تست و آموزش
  • پیاده سازی در پایتون: دقت و پیش بینی نتایج

الگوریتم های دسته بندی: رگرسیون لجستیک

  • معرفی مراحل پیاده سازی
  • پیاده سازی در پایتون: ایمپورت کتابخانه ها و مجموعه های داده
  • پیاده سازی در پایتون: تقسیم داده در مجموعه های تست و آموزش
  • پیاده سازی در پایتون: پیش پردازش
  • پیاده سازی در پایتون: آموزش مدل
  • پیاده سازی در پایتون: پیش بینی نتایج و ماتریس درهم ریختگی
  • رگرسیون لجستیک در مقابل رگرسیون خطی

خوشه بندی

  • آشنایی با خوشه بندی
  • موارد استفاده
  • الگوریتم خوشه بندی K-Means
  • متد Elbow
  • مراحل متد Elbow
  • پیاده سازی در پایتون
  • خوشه بندی سلسله مراتبی
  • خوشه بندی مبتنی بر چگالی
  • پیاده سازی خوشه بندی k-means در پایتون
  • ایمپورت مجموعه داده
  • مصور سازی مجموعه داده
  • تعریف classifier
  • مصور سازی سه بعدی خوشه ها
  • مصور سازی سه بعدی مقادیر پیش بینی شده
  • تعداد خوشه های پیش بینی شده

سیستم توصیه گر (Recommender System)

  • معرفی فیلترینگ مشارکتی در سیستم های توصیه گر
  • سیستم توصیه گر مبتنی بر محتوا
  • پیاده سازی در پایتون: ایمپورت کتابخانه ها و مجموعه های داده
  • ادغام مجموعه های داده در یک دیتافریم
  • مرتب سازی بر اساس عنوان و امتیاز دهی
  • نمایش تعداد امتیاز دهی ها توسط هیستوگرام
  • توزیع فرکانس
  • Jointplot امتیاز دهی ها و تعداد امتیاز دهی ها
  • پیش پردازش داده
  • مرتب سازی فیلم های دارای بیشترین امتیاز
  • کسب امتیاز دهی برای دو فیلم
  • همبستگی بین فیلم های دارای بیشترین امتیاز
  • مرتب سازی داده بر اساس همبستگی
  • فیلتر فیلم ها
  • مرتب سازی مقادیر
  • تکرار فرایند برای یک فیلم دیگر
  • آزمون

نتیجه گیری

  • نتیجه گیری
باکس دانلود
شناسه:
۱۱۵۸۵
مدت دوره:
۰۲:۲۸:۲۴
قسمت ها:
۸۸ قسمت
اندازه فایل:
۵۲۳ مگابایت
توضیحات:
آموزش به زبان انگلیسی به همراه زیر نویس (انگلیسی) می باشد - فایل های تمرینی ارائه می گردد
مدرس:
شرکت یودمی
قیمت:
رایگان
ثبت نظر
ریفریش کنید!
نظرات کاربران (۰ مورد)

هیچ نظری ثبت نشده است