دوره آموزشی
دوبله زبان فارسی
دوره جامع رگرسیون لجستیک و خطی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- مبانی پایتون. اگر از قبل با پایتون آشنا هستید، میتوانید از این بخش صرفنظر کنید.
- جبر خطی برای توسعه شهود ریاضی پشت هر الگوریتم
- ریاضیات پشت رگرسیون لجستیک
- مطالعه موردی رگرسیون لجستیک - پروژه Donors Choose
- ریاضیات پشت رگرسیون خطی
- مطالعه موردی رگرسیون خطی
توضیحات دوره
دوره جامع رگرسیون لجستیک و خطی برای یادگیری جذاب و آسان طراحی شده است.
این دوره با بیش از 100 درس، شامل بیش از 20 ساعت ویدئوی باکیفیت و توضیحات متنی درباره همه چیز، از پایتون و جبر خطی گرفته تا ریاضیات پشت الگوریتمهای یادگیری ماشین (ML) و مطالعات موردی است. مطالب در بخشهای زیر سازماندهی شدهاند:
- مبانی پایتون، ساختمان دادهها - لیست، تاپل، مجموعه، دیکشنری، رشتهها
- کتابخانههای پانداس و Numpy
- جبر خطی - درک مفهوم نقطه و معادله خط
- بردار چیست و عملیات برداری
- ماتریس چیست و عملیات ماتریسی
- ریاضیات عمیق پشت رگرسیون لجستیک
- مطالعه موردی Donors Choose
- ریاضیات عمیق پشت رگرسیون خطی
و در داخل هر بخش، این موارد را دریافت خواهید کرد:
- ما با مبانی شروع میکنیم و شهود پشت هر موضوع را درک خواهیم کرد.
- درسهای ویدئویی که مفاهیم را با مثالهای متعدد از دنیای واقعی توضیح میدهند تا مفهوم عمیقاً در ذهن شما حک شود.
- بررسی گامبهگام مثالهای حلشده برای دیدن روشهای مختلف طرح سوال و حل آنها
- مفاهیمی که به صورت منطقی به هم متصل هستند و به تدریج بر دانش شما میافزایند.
همین امروز در این دوره شرکت کنید! مشتاقانه منتظر شما هستم تا این دوره را که با دقت فراوان برای یادگیری جذاب و آسان طراحی شده است، با هم طی کنیم.
این دوره برای چه کسانی مناسب است؟
- تحلیلگران داده که میخواهند به دانشمند داده تبدیل شوند.
- دانشمندان داده که میخواهند بنیانهای دقیق ریاضی پشت الگوریتمها را درک کنند.
- تقریباً هر کسی که به یادگیری ماشین علاقهمند است.
- علاقهمندان به ریاضیات
دوره جامع رگرسیون لجستیک و خطی
-
کلمات کلیدی، شناسهها و متغیرها 08:12
-
اختصاص متغیر 06:53
-
رشتهها و لیست 17:13
-
تاپل 03:19
-
مجموعه 04:19
-
دیکشنری 05:20
-
تبدیل نوع داده 09:07
-
کامنتهای Python 02:47
-
دستور Print 05:40
-
عملگرهای حسابی و منطقی Python 10:02
-
عملگرهای هویتی و عضویت 06:05
-
حلقههای For و While 07:03
-
دستور شرطی 02:50
-
تابعها 19:10
-
ماژولها 07:11
-
لیست - بخش 1 06:19
-
لیست - بخش 2 13:26
-
لیست - بخش 3 10:34
-
لیست - بخش 4 12:56
-
لیست - بخش 5 09:27
-
تاپل - بخش 1 06:01
-
تاپل - بخش 2 06:01
-
مجموعه - بخش 1 05:38
-
مجموعه - بخش 2 08:11
-
مجموعه - بخش 3 02:56
-
دیکشنری 16:38
-
رشتهها 11:16
-
معرفی Numpy 08:56
-
ساخت آرایهها 16:54
-
عملیات آرایه - بخش 1 12:50
-
ماسکگذاری روی آرایه 03:59
-
عملیات آرایه - بخش 2 09:33
-
عملیات آرایه - بخش 3 13:10
-
پخش آرایه 06:37
-
آرایه - تغییر شکل و مرتبسازی 10:18
-
معرفی Pandas 15:04
-
ساخت DataFrame 06:12
-
دسترسی به عناصر در DataFrame 12:07
-
فیلتر کردن DataFrame 04:32
-
عملیات DataFrame 24:50
-
معرفی معادلات خطی 13:36
-
کاربرد جبر خطی 07:41
-
اسکالر چیست؟ 09:38
-
نقطه چیست و فاصله بین دو نقطه 15:40
-
بردار چیست؟ 09:15
-
بردار ردیفی و ستونی 21:28
-
ترانهاده ماتریس 02:35
-
بردار واحد 09:48
-
جمع و تفریق بردارها 10:56
-
معکوس بردار 02:54
-
ضرب داخلی بین دو بردار 11:00
-
ضرب بردار در اسکالر 02:29
-
زاویه بین دو بردار - بخش 1 02:26
-
زاویه بین دو بردار - بخش 2 04:27
-
بردارهای ارتوگونال 01:42
-
بردارهای ارتونرمال 02:50
-
معادله خط - بخش 1 11:04
-
معادله خط - بخش 2 05:33
-
معادله خط - بخش 3 06:28
-
معادله خط - بخش 4 15:57
-
تصویر یک نقطه بر روی یک خط 05:42
-
فاصله یک نقطه از یک خط 24:04
-
چگونه تشخیص دهیم یک نقطه در سمت مثبت یا منفی یک خط قرار دارد؟ 13:28
-
معرفی ماتریس 05:30
-
عملیات ماتریسی 15:07
-
ماتریس متقارن، مربعی، همانی و قطری 09:09
-
ماتریس ارتوگونال 09:14
-
مینور، کوفاکتور و دترمینان ماتریس (اختیاری) 12:04
-
معکوس ماتریس (اختیاری) 15:22
-
معرفی رگرسیون لجستیک 11:28
-
تفسیر هندسی - درک نامگذاریها 13:13
-
معادله بهینهسازی 17:50
-
تأثیر دادههای پرت بر معادله بهینهسازی 17:35
-
تعبیر احتمالاتی رگرسیون لجستیک در زمان پیشبینی 07:11
-
چرا لگاریتم گرفتن تأثیری بر مسئله بهینهسازی ندارد؟ 09:09
-
معادله نهایی بهینهسازی 10:52
-
منظمسازی 09:44
-
چگونه کلاس یک نقطه جدید را پیدا کنیم؟ 01:48
-
تعادل خطا و واریانس 16:30
-
منظمسازی L1 و L2 03:03
-
سطح تصمیم 01:38
-
Elastic Net 01:43
-
اهمیت و تفسیرپذیری ویژگیها 11:21
-
تأثیر مجموعه داده نامتوازن 07:52
-
نیاز به استانداردسازی داده 05:51
-
پیچیدگی زمانی و فضایی 13:45
-
ماتریس شباهت و رگرسیون لجستیک 04:29
-
تأثیر ابعاد بالا 01:35
-
طبقهبندی چندکلاسه 05:50
-
تفسیر احتمالاتی 22:28
-
تعبیر تابع خطا در رگرسیون لجستیک 20:43
-
معرفی Donors Choose 08:17
-
درک دادهها 06:39
-
تعریف داده 09:16
-
درک آمار مبانی دادهها 13:05
-
تحلیل تکمتغیره - بخش 1 10:48
-
تحلیل تکمتغیره - بخش 2 14:53
-
تحلیل تکمتغیره - بخش 3 10:01
-
تحلیل تکمتغیره - بخش 4 07:57
-
تحلیل تکمتغیره - بخش 5 05:38
-
کیسه واژه 07:52
-
فراوانی عبارت 06:30
-
فراوانی عبارت - معکوس فراوانی سند (TF-IDF) 08:48
-
Word2Vec 07:50
-
پردازش متن 19:02
-
تقسیم داده به آموزش و تست 11:26
-
چگونه بردارسازی برای دادههای دستهای انجام میشود؟ 05:20
-
بردارسازی دادههای دستهای 14:20
-
استفاده از BOW برای دادههای متنی 11:00
-
استفاده از Tfidf برای دادههای متنی 05:48
-
استفاده از W2V برای دادههای متنی 15:12
-
رگرسیون خطی - مقدمه 05:14
-
شهود 07:41
-
تابع خطا 07:38
-
رگرسیون خطی از طریق مثال 07:45
-
R مربع 12:21
-
انحراف معیار و واریانس 17:35
-
کواریانس 09:33
-
همبستگی 25:58
-
R مربع و ضریب همبستگی (r) 02:13
-
چرایی استفاده از MSE 03:58
مشخصات آموزش
دوره جامع رگرسیون لجستیک و خطی
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:مقدماتی
- تعداد درس:121
- مدت زمان :19:21:59
- حجم :8.17GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy