دوره آموزشی
آموزش های یودمی
دوبله زبان فارسی

پایتون و R برای یادگیری ماشین و یادگیری عمیق

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

12,699,000 2,539,800 تومان

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

آموزش های مرتبط

The Great Courses
651,500 130,300 تومان
  • زمان: 01:39:55
  • تعداد درس: 6
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,889,000 377,800 تومان
  • زمان: 04:47:39
  • تعداد درس: 30
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,501,000 300,200 تومان
  • زمان: 03:48:11
  • تعداد درس: 47
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
10,289,500 2,057,900 تومان
  • زمان: 26:03:06
  • تعداد درس: 121
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
490,000 98,000 تومان
  • زمان: 54:55
  • تعداد درس: 18
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,797,000 359,400 تومان
  • زمان: 04:33:59
  • تعداد درس: 86
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,659,500 531,900 تومان
  • زمان: 06:44:45
  • تعداد درس: 35
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,300,500 1,460,100 تومان
  • زمان: 18:29:24
  • تعداد درس: 115
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,113,000 422,600 تومان
  • زمان: 05:21:41
  • تعداد درس: 51
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید