آموزش پروژه محور پایتون برای یادگیری ماشین
در این بخش فیلم آموزش پروژه محور پایتون برای یادگیری ماشین (Machine Learning) را آماده کرده ایم که توسط Salvatore Aetos از مجموعه آموزشی یودمی (Udemy) به زبان انگلیسی در مدت 3 ساعت و 30 دقیقه تهیه شده است. در ادامه توضیحاتی از معرفی دوره ارائه شده و فهرست مطالب به همراه چند قسمت از آموزش قرار داده شده است.
معرفی دوره
این دوره آموزشی راهنمای شما برای یادگیری نحوه استفاده از قدرت پایتون و کتابخانه ها برای تجزیه و تحلیل داده ها، ایجاد تصاویر زیبا و استفاده از الگوریتم های یادگیری ماشین خواهد بود. این یک دوره آموزشی Python جذاب و مفید است که در آن یاد خواهید گرفت چگونه پروژه را مرحله به مرحله از نصب پایتون و کتابخانه ها تا پروژه نهایی راه اندازی کنید. در این آموزش سه پروژه وجود دارد که به شما امکان می دهد از یادگیری نظارتی و بدون نظارت در پروژه ها استفاده و پیاده سازی های خود را براساس آنها انجام دهید. شما با استفاده از این آموزش یادگیری ماشین را به کمک Python, Regression, Decision Trees, SVM, Numpy, Pandas, Scikit-Learn, Matplotlib streamlit یاد بگیرید.
آنچه در این آموزش پایتون می آموزید:
- از پایتون برای علم داده و یادگیری ماشین استفاده کنید.
- برنامه وب پروژه های یادگیری ماشین را با استفاده از streamlit ایجاد نمایید.
- می آموزید که چگونه از Pandas برای تجزیه و تحلیل داده استفاده کنید.
- پروژه های Scikit-Learn برای یادگیری ماشین را پیاده سازی نمایید.
- آشنایی با رگرسیون خطی (Linear Regression)
- آموزش استفاده از Matplotlib برای ترسیم در پایتون
- آشنایی با الگوریتم جنگل تصادفی (Random Forest) و درختان تصمیم (Decision Trees)
- آشنایی با الگوریتم ماشین بردار پشتیبان (SVM)
- آموزش استفاده از NumPy برای داده های عددی
فهرست مطالب آموزش پروژه محور پایتون برای یادگیری ماشین
مقدمه
- مقدمه
پروژه پیش بینی حقوق پایتون
- راه اندازی پروژه
- نصب کتابخانه های پایتون
- عنوان و ناوبری
- تصوير و بارگذاری داده ها
- طرح های تعاملی و غیر تعاملی
- نمودار تنظیم شده plots
- اسلاید تعاملی متصل به plots
- پیش بینی با استفاده از پیشرفت خطی در Plots
- تغيير تصوير
- مشارکت در داده ها (داده های اولیه به عنوان .CSV)
- نکات بيشتر در مورد Python Streamlit
پروژه Classifier یادگیری ماشین
- راه اندازی پروژه و معرفی Streamlit
- عنوان و نوار کناری
- شكل دیتاست و تعداد کلاس
- انتخاب دیتاست و کلید ها
- طبقه بندی کننده های Streamlit و مقابله با خطاها
- امتياز دقت طبقه بندی کننده ها
- رسم دیتاست
ارزیابی یادگیری ماشینی و جریانی
- ارزیابی جریان
- ارزیایی یادگیری ماشینی
چالش (ایجاد یک ماشین حساب BMI)
- یک ماشین حساب BMI ایجاد کنید (اگر مطمئن نیستید فقط به کد زیر نگاه کنید)
- فيلم ماشين حساب BMI (توضيح کد)
آموزش نصب کتابخانه های پایتونلینک دانلود
آموزش طبقه بندی کننده های Streamlitلینک دانلود
هیچ نظری ثبت نشده است