تسلط به یادگیری ماشین در پایتون با Scikit-Learn

آنچه یاد خواهید گرفت:

• درک مفاهیم اساسی یادگیری ماشین
• استفاده از پایتون و Scikit-Learn برای ایجاد مدل‌های یادگیری ماشین
• آماده‌سازی داده‌ برای استفاده الگوریتم‌های یادگیری ماشین
• بررسی انتقادی مدل‌ها و الگوریتم‌های یادگیری ماشین
• استفاده از مدل‌های رگرسیون برای پیش‌بینی مقادیر پیوسته
• استفاده از مدل‌های دسته‌بندی برای پیش‌بینی کلاس‌ها
• استفاده از الگوریتم‌های نظارت نشده برای خوشه‌بندی داده‌

توضیحات دوره

آیا می‌خواهید با یادگیری ماشین و علم داده در پایتون شروع کنید؟ این دوره، معرفی جامع و عملی به یادگیری ماشین است. ما از Scikit-Learn استفاده خواهیم کرد، که یکی از بهترین کتابخانه‌های پایتون برای یادگیری ماشین است.

موضوع دوره چیست؟

در این دوره، جزئیات یادگیری ماشین به طور کلی و همچنین کتابخانه پایتون Scikit-Learn را به شما آموزش می‌دهیم. Scikit-Learn نه تنها بسیار محبوب است، بلکه برای بسیاری از تسک‌های یادگیری ماشین بسیار قدرتمند است. اگر به یادگیری ماشین علاقه‌مند هستید، یا به طور خاص به Scikit-Learn، این دوره مناسب شماست. دوره همه آنچه برای استفاده حرفه‌ای از Scikit-Learn در یادگیری ماشین نیاز دارید را به شما می‌آموزد. کار را با مبانی شروع کرده و به تدریج به مباحث پیچیده‌تر می‌پردازیم.

چرا ما را انتخاب کنید؟

این دوره معرفی جامع یادگیری ماشین در پایتون با استفاده از Scikit-Learn است. ما از مباحث فنی نمی‌ترسیم و می‌خواهیم با مهارت‌های تازه یادگرفته شده Scikit-Learn، برجسته شوید.

دوره پر است از تمرین‌های دقیق و هدفمند که مباحث آموزش داده شده را تثبیت می‌کنند. بین ویدئوها، تمرین‌های کوتاهی برای کمک به یادگیری بهتر ارائه می‌دهیم. همچنین تمرین‌های بزرگتری داریم که یک فایل Jupiter Notebook در اختیار شما قرار داده شده و باید چند سوال مرتبط با یک موضوع را حل کنید. تمرین‌ها شامل پردازش و پاکسازی داده است که تجربه یادگیری ماشین واقعی‌تر می‌شود.

ما یک زوج هستیم (Eirik و Stine) که عاشق تولید دوره‌های با کیفیت بالا هستیم. Eirik به صورت حرفه‌ای به عنوان دانشمند داده از Scikit-Learn استفاده کرده و Stine تجربه تدریس برنامه‌نویسی در سطح دانشگاه دارد. هر دو عاشق Scikit-Learn هستیم و مشتاقیم همه مطالب را به شما یاد دهیم.

مباحثی که پوشش خواهیم داد:

در این دوره، مباحث زیادی پوشش داده می‌شود. ترتیب مباحث به شرح زیر است:

• آشنایی با Scikit-Learn
• رگرسیون خطی
• رگرسیون لجستیک
• پیش‌پردازش و پایپ‌لاین
• رگرسیون چندجمله‌ای
• درختان تصمیم‌گیری و جنگل‌های تصادفی
• اعتبارسنجی متقابل
• تکنیک‌های منظم‌سازی
• ماشین بردار پشتیبان (SVM)
• کاهش ابعاد و PCA
• مبانی شبکه‌های عصبی
• یادگیری نظارت شده و نظارت نشده
• و بسیار بیشتر

با گذراندن دوره، به‌ راحتی هم در یادگیری ماشین و هم در کار با کتابخانه پایتون Scikit-Learn حرفه‌ای خواهید شد. این نقطه شروع خوبی برای کار حرفه‌ای در یادگیری ماشین است.

این دوره برای چه کسانی مناسب است؟

• کسی که می‌خواهد وارد یادگیری ماشین و علم داده شود.
• توسعه‌دهندگان مبتدی پایتون که به یادگیری ماشین علاقه‌مند هستند.