پایتون و R برای یادگیری ماشین و یادگیری عمیق
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- مبانی تا برنامهنویسی پیشرفته در پایتون
- دستکاری داده با پانداس
- مصورسازی با Matplotlib و Seaborn
- اصول R
- مدلسازی آماری در R
- آشنایی با شبکههای عصبی
- ساخت مدلها با تنسورفلو و Keras
- شبکههای عصبی کانولوشنال و بازگشتی
- درک کامل از یادگیری ماشین و یادگیری عمیق
پیشنیازهای دوره
بدون پیشنیاز
توضیحات دوره
به این دوره، دروازه ورود شما به دنیای یادگیری ماشین و یادگیری عمیق با پایتون، خوش آمدید!
با این دوره جامع، پتانسیل پایتون را آنلاک کنید و قلمروی یادگیری ماشین و یادگیری عمیق را بررسی کنید. چه تازهکار باشید و بخواهید وارد دنیای هوش مصوعی شوید یا متخصص باتجربه باشید و بخواهید مهارتهای خود را بهبود دهید، این دوره برای تمامی سطوح تخصص طراحی شده است.
چه چیزی این دوره را متمایز میکند؟
- برنامه درسی جامع: برنامه درسی دقیق این دوره طراحی تمام مفاهیم ضروری برنامهنویسی پایتون، الگوریتمهای یادگیری ماشین و معماریهای یادگیری عمیق را پوشش میدهد. از مبانی تا تکنیکهای پیشرفته، همه چیز در نظر گرفته شده است.
- پروژههای عملی: نظریه مهم است، اما تجربۀ عملی اولویت دارد. پروژههای واقعی را بررسی کنید که شما را برای به کار بردن آنچه آموختهاید به چالش میکشند و درک شما را تقویت میکنند.
- راهنمایی تخصصی: از متخصص این صنعت با سالها تجربه در این حوزه بهره ببرید. از بینشها، نکات و بهترین شیوههای او برای سرعت بخشیدن به سفر یادگیری خود استفاده کنید.
- یادگیری تعاملی: در درسها، آزمونها و تمرینهایی که شرکت کنید که برای حفظ انگیزه و فعال بودن شما در طول دوره طراحی شدهاند.
- انعطافپذیری: زندگی پرمشغله است، ما متوجه این موضوع هستیم. این دوره گزینههای زمانبندی انعطافپذیری ارائه میدهد که به شما اجازه میدهد با سرعت و راحتی خودتان یاد بگیرید.
- فرصتهای شغلی: یادگیری ماشین و یادگیری عمیق در بسیاری از صنایع پرتقاضا هستند. با تسلط به این مهارتها، درهایی به سوی فرصتهای شغلی جذاب و احتمالا پتانسیل درآمد بالا برای شما باز میشوند.
آیا آمادهاید تا سفر هیجانانگیزی را به دنیای پایتون برای یادگیری ماشین و یادگیری عمیق شروع کنید؟ امروز در این دوره شرکت کنید و گام اول را به سوی تبدیل شدن به یک متخصص هوش مصنوعی حرفهای بردارید!
این دوره برای چه کسانی مناسب است؟
- متخصصان فناوری اطلاعات: چشماندازهای شغلی خود را با انتقال به حوزه علم داده گسترش دهید.
- دانشجویان: چه در دوره کارشناسی باشید چه در مقطع فوقلیسانس، این دوره یک چارچوب قوی برای درک مفاهیم یادگیری ماشین و یادگیری عمیق ارائه میدهد.
- افراد در حال تغییر شغل: اگر به دنبال حوزهای به سرعت در حال رشد با فرصتهای بسیار هستید، این دوره مهارتها و دانش لازم برای انتقال موفق به حوزه علم داده و یادگیری ماشین را فراهم میکند.
- کارآفرینان و صاحبان کسبوکار: از قدرت یادگیری ماشین و یادگیری عمیق استفاده کنید تا نوآوری و کارایی کسبوکار را هدایت کنید. درک کنید چگونه استراتژیهای مبتنی بر داده را برای بهبود تصمیمگیری و کسب برتری رقابتی پیادهسازی کنید.
- علاقهمندان به علم داده: اگر به داده علاقه دارید و میخواهید یاد بگیرید چگونه بینشهای ارزشمند از آن استخراج کنید، این دوره برای شما مناسب است. صرف نظر از سطح تخصص فلعیتان، درک جامعی از مفاهیم یادگیری ماشین و یادگیری عمیق بدست آورید.
پایتون و R برای یادگیری ماشین و یادگیری عمیق
-
بررسی 03:18
-
نصب پایتون و آناکوندا 03:04
-
بررسی Jupyter 13:26
-
مبانی پایتون 04:28
-
مبانی پایتون - قسمت 2 19:07
-
مبانی پایتون - قسمت 3 18:41
-
نومپی 11:54
-
پانداس 09:15
-
Seaborn 08:57
-
نصب R و R Studio 05:52
-
مبانی R و R Studio 10:47
-
پکیجها در R 10:52
-
مجموعه دادههای داخلی R 04:21
-
دیتا اینتری دستی 03:11
-
ایمپورت از فایلهای CSV یا متنی 06:49
-
نمودارهای میلهای 13:42
-
هیستوگرامها 06:01
-
انواع داده 04:04
-
انواع آمار 02:45
-
توضیح داده به صورت گرافیکی 11:37
-
اندازهگیری مراکز 07:05
-
اندازهگیری پراکندگی 04:37
-
مقدمه ای بر یادگیری ماشینی 16:03
-
ساخت مدل یادگیری ماشین 08:42
-
جمعآوری دانش کسبوکار 03:19
-
بررسی داده 03:19
-
مجموعه داده و دیکشنری داده 07:28
-
ایمپورت داده در پایتون 06:03
-
ایمپورت مجموعه داده به R 03:00
-
تحلیل تکمتغیره و EDD 03:33
-
EDD در پایتون 12:11
-
EDD در R 12:43
-
رفتار با داده پرت 04:15
-
رفتار با داده پرت در پایتون 14:18
-
رفتار با داده پرت در R 04:49
-
انتساب مقدار گمشده 03:36
-
انتساب مقادیر گمشده در پایتون 04:57
-
انتساب مقدار گمشده در R 03:49
-
فصلی بودن در داده 03:34
-
تحلیل دو متغیره و تحول متغیر 16:14
-
تبدیل و حذف متغیر در پایتون 09:21
-
تحول متغیر در R 09:37
-
متغیرهای غیرقابل استفاده 04:44
-
ایجاد متغیر ساختگی: مدیریت داده کیفی 04:50
-
ایجاد متغیر ساختگی در پایتون 05:45
-
ایجاد متغیر ساختگی در R 05:01
-
تحلیل همبستگی 10:05
-
تحلیل همبستگی در پایتون 07:07
-
ماتریس همبستگی در R 08:09
-
بیان مسئله 01:25
-
معادلات اولیه و متد کمترین مربعات معمولی (OLS) 08:13
-
ارزیابی دقت ضرایب پیشبینی شده 14:40
-
ارزیابی دقت مدل: RSE و R مربع 07:19
-
رگرسیون خطی ساده در پایتون 14:06
-
رگرسیون خطی ساده در R 07:40
-
رگرسیون خطی چندگانه 04:57
-
آمار F 08:22
-
تفسیر نتایج متغیرهای دستهای 05:04
-
رگرسیون خطی چندگانه در پایتون 14:13
-
رگرسیون خطی چندگانه در R 07:50
-
تقسیم آموزش و تست 09:32
-
تبادل بایاس و واریانس 06:01
-
تقسیم آموزش و تست در پایتون 10:19
-
تقسیم آموزش و تست در R 08:44
-
مدلهای رگرسیون غیر از OLS 04:18
-
تکنیکهای انتخاب زیرمجموعه 11:34
-
متدهای SubShrinkage: انتخاب ریج و لاسو در R 07:14
-
رگرسیون ریج و لاسو در پایتون 23:50
-
ناهم واریانسی 02:30
-
رگرسیون ریج و لاسو در R 12:51
-
ایمپورت داده در پایتون 04:56
-
ایمپورت داده به R 03:00
-
سه Classifierهای و بیان مسئله 03:17
-
چرا نمیتوانیم از رگرسیون خطی استفاده کنیم؟ 04:32
-
رگرسیون لجستیک 07:54
-
آموزش مدل لجستیک ساده در پایتون 12:25
-
آموزش مدل لجستیک ساده در R 01:48
-
نتایج رگرسیون لجستیک ساده 05:11
-
لجستیک با چندین پیشبینیکننده 02:22
-
آموزش مدل رگرسیون لجستیک با چند پیشبینیکننده در پایتون 06:05
-
آموزش مدل رگرسیون لجستیک با چند پیشبینیکننده در R 01:48
-
ماتریس درهمریختگی 03:47
-
ایجاد ماتریس درهمریختگی در پایتون 09:55
-
ارزیابی عملکرد مدل 07:40
-
ارزیابی عملکرد مدل در پایتون 02:21
-
پیشبینی احتمالات، تخصیص کلاسها و ساخت ماتریس درهمریختگی در R 06:23
-
تحلیل تفکیک خطی 09:42
-
LDA در پایتون 02:30
-
تحلیل تفکیک خطی در R 09:10
-
تقسیم آموزش و تست 09:30
-
تقسیم داده آموزش و تست در پایتون 06:46
-
تقسیم آموزش و تست در R 09:27
-
Classifier نزدیکترین همسایه K 08:41
-
نزدیکترین همسایه K در پایتون - قسمت 1 05:51
-
نزدیکترین همسایه K در پایتون - قسمت 2 07:00
-
نزدیکترین همسایه K در R 08:50
-
درک نتایج مدلهای دستهبندی 06:06
-
خلاصه سه مدل 04:32
-
مبانی درختهای تصمیمگیری 10:10
-
درک درخت رگرسیون 10:17
-
معیار توقف برای کنترل رشد درخت 03:15
-
ایمپورت مجموعه داده در پایتون 05:40
-
ایمپورت مجموعه داده در R 06:26
-
رفتار با مقدار گمشده در پایتون 03:38
-
ایجاد متغیر ساختگی در پایتون 04:58
-
تقسیم داده وابسته و مستقل در پایتون 04:02
-
تقسیم داده آموزش و تست در پایتون 06:04
-
تقسیم داده به مجموعههای آموزش و تست در R 05:30
-
ایجاد درخت تصمیمگیری در پایتون 03:47
-
ساخت درخت رگرسیون در R 14:18
-
ارزیابی عملکرد مدل در پایتون 04:10
-
رسم نمودار درخت تصمیمگیری در پایتون 04:58
-
هرس یک درخت 04:16
-
هرس یک درخت در پایتون 10:37
-
هرس یک درخت در R 09:18
-
تکنیک جمعی 1 - Bagging 06:39
-
تکنیک جمعی 1 - Bagging در پایتون 11:05
-
Bagging در R 06:20
-
تکنیک جمعی 2 - جنگلهای تصادفی 03:56
-
تکنیک جمعی 2 - جنگل تصادفی در پایتون 06:06
-
استفاده از جستجوی گرید در پایتون 12:14
-
جنگل تصادفی در R 03:58
-
بوستینگ 07:10
-
تکنیک جمعی - قسمت 3a - بوستینگ در پایتون 05:08
-
گرادیان بوستینگ در R 07:10
-
تکنیک جمعی - قسمت 3b - آدابوست در پایتون 04:00
-
آدابوستینگ در R 09:44
-
تکنیک جمعی - قسمت 3c - بررسی XGBoost در پایتون 11:07
-
XGBoosting در R 16:08
-
جریان محتوا 01:34
-
مفهوم هایپرپلین 04:55
-
Classifier حداکثر مارجین 03:18
-
محدودیتهای Classifier حداکثر حاشیه 02:28
-
Classifierهای بردار پشتیبان 10:00
-
محدودیتهای Classifierهای بردار پشتیبان 01:34
-
ماشینهای بردار پشتیبان مبتنی بر کرنل 06:45
-
مدلهای رگرسیون و دستهبندی 00:46
-
ایمپورت و پیشپردازش داده در پایتون 05:40
-
استانداردسازی داده 06:28
-
مدل رگرسیون مبتنی بر SVM در پایتون 10:08
-
مدل دستهبندی - پیشپردازش 08:25
-
مدل دستهبندی - استانداردسازی داده 01:57
-
مدل دستهبندی مبتنی بر SVM 11:28
-
تیونینگ هایپرپارامتر 09:47
-
کرنل چندجملهای با تیونینگ هایپرپارامتر 04:07
-
کرنل شعاعی با تیونینگ هایپرپارامتر 06:31
-
ایمپورت و پیشپردازش داده در R 08:00
-
مدل SVM دستهبندی با کرنل خطی 16:11
-
تیونینگ هایپرپارامتر برای کرنل خطی 06:28
-
کرنل چندجملهای با تیونینگ هایپرپارامتر 10:19
-
کرنل شعاعی با تیونینگ هایپرپارامتر 06:31
-
مدل رگرسیون مبتنی بر SVM در R 11:14
-
آشنایی با شبکههای عصبی و جریان دوره 04:38
-
پرسپترون 09:47
-
توابع فعال سازی 07:30
-
پایتون - ساخت مدل پرسپترون 14:10
-
اصطلاحات اولیه 09:47
-
نزول گرادیان 12:17
-
پسانتشار 22:27
-
برخی مفاهیم مهم 12:44
-
هایپرپارامتر 08:19
-
Keras و تنسورفلو 03:04
-
نصب تنسورفلو و Keras 04:04
-
مجموعه داده برای دستهبندی 07:19
-
نرمالسازی و تقسیم آموزش و تست 05:59
-
روشهای مختلف ایجاد شبکه عصبی مصنوعی با Keras 01:58
-
ساخت شبکه عصبی با Keras 12:24
-
کامپایل و آموزش مدل شبکه عصبی 10:34
-
ارزیابی عملکرد و پیشبینی با Keras 09:21
-
ساخت شبکه عصبی برای مسئله رگرسیون 22:10
-
استفاده از Functional API برای معماریهای پیچیده 12:40
-
ذخیره کردن - بازیابی مدلها و استفاده از callbackها 19:49
-
تیونینگ هایپرپارامتر 09:05
-
نصب Keras و تنسورفلو 02:54
-
نرمالسازی داده و تقسیم آموزش و تست 12:00
-
ساخت، کامپایل و آموزش 14:57
-
ارزیابی و پیشبینی 09:46
-
شبکه عصبی مصنوعی با پکیج NeuralNets 08:07
-
ساخت مدل رگرسیون با Functional API 12:34
-
معماریهای پیچیده با Functional API 08:50
-
ذخیره کردن - بازیابی مدلها و استفاده از callbackها 20:16
-
آشنایی با شبکه عصبی کانولوشن 07:42
-
استراید 02:51
-
پدینگ 05:07
-
فیلترها و نقشههای ویژگی 07:48
-
کانالها 06:31
-
لایه Pooling 05:32
-
مدل شبکه عصبی کانولوشن در پایتون - پیشپردازش 05:42
-
مدل شبکه عصبی کانولوشن در پایتون - ساختار و کامپایل 06:24
-
مدل شبکه عصبی کانولوشن در پایتون - آموزش و نتایج 06:50
-
مقایسه - Pooling در مقابل بدون Pooling در پایتون 06:20
-
شبکه عصبی کانولوشن روی مجموعه داده فشن MNIST - معماری مدل 02:04
-
پیشپردازش داده 07:08
-
ایجاد معماری مدل 06:04
-
کامپایل و آموزش 02:53
-
عملکرد مدل 06:26
-
مقایسه - Pooling در مقابل بدون Pooling در R 04:33
-
پروژه - مقدمه 07:04
-
پروژه - پیشپردازش داده در پایتون 09:19
-
پروژه - آموزش مدل شبکه عصبی کانولوشن در پایتون 09:05
-
پروژه در پایتون - نتایج مدل 03:07
-
پروژه در R - پیشپردازش داده 10:28
-
پروژه شبکه عصبی کانولوشن در R - ساختار و کامپایل 04:59
-
پروژه در R - آموزش 02:57
-
پروژه در R - عملکرد مدل 02:22
-
پروژه در R - دادهافزایی 07:12
-
پروژه در R - اعتبارسنجی عملکرد 02:24
-
پروژه - پیشپردازش دادهافزایی 06:46
-
پروژه - آموزش و نتایج دادهافزایی 06:26
-
ILSVRC 04:10
-
LeNet 01:31
-
VGG16NET 02:00
-
GoogLeNet 02:52
-
یادگیری انتقالی 05:15
-
پروژه - یادگیری انتقالی - VGG16 19:40
-
پروژه - یادگیری انتقالی - VGG16 (پیادهسازی) 12:44
-
پروژه - یادگیری انتقالی - VGG16 (عملکرد) 08:02
-
مقدمه 02:10
-
پیشبینی سری زمانی - موارد استفاده 02:25
-
ایجاد مدل پیشبینی - مراحل 02:46
-
ایجاد مدل پیشبینی - مراحل 1 (هدف) 06:03
-
سری زمانی - حاشیهنویسیهای اولیه 09:02
-
بارگذاری داده در پایتون 17:51
-
سری زمانی - مبانی مصورسازی 09:28
-
سری زمانی - مصورسازی در پایتون 27:10
-
سری زمانی - مبانی مهندسی ویژگی 11:03
-
سری زمانی - مهندسی ویژگی در پایتون 18:01
-
سری زمانی - افزایش و کاهش نمونه 04:17
-
سری زمانی - افزایش و کاهش نمونه در پایتون 16:45
-
سری زمانی - تبدیلات توانی 02:32
-
میانگین متحرک 07:12
-
هموارسازی نمایی 02:07
-
نویز سفید 02:29
-
گام تصادفی 04:23
-
تجزیه سری زمانی در پایتون 09:41
-
تفاضلگیری 06:16
-
تفاضلگیری در پایتون 15:07
-
تقسیم آموزش و تست در پایتون 11:28
-
مدل ساده (پایداری) در پایتون 07:54
-
مدل رگرسیون خودکار - مبانی 03:29
-
ایجاد مدل رگرسیون خودکار در پایتون 09:22
-
رگرسیون خودکار با اعتبارسنجی Walk Forward در پایتون 08:20
-
مدل میانگین متحرک - مبانی 04:33
-
مدل میانگین متحرک در پایتون 08:58
-
ACF و PACF 08:07
-
مدل ARIMA - مبانی 04:43
-
مدل ARIMA در پایتون 13:15
-
مدل ARIMA با اعتبارسنجی Walk Forward در پایتون 05:24
-
مدل SARIMA 07:26
-
مدل SARIMA در پایتون 10:40
-
سری زمانی ایستا 01:42
مشخصات آموزش
پایتون و R برای یادگیری ماشین و یادگیری عمیق
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:همه سطوح
- تعداد درس:251
- مدت زمان :32:09:18
- حجم :12.41GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy