تسلط به یادگیری ماشین در R: مقدماتی تا پیشرفته
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- اصول برنامهنویسی R: انواع داده، دیتا فریمها، کار با CSV، تحلیل اکتشافی و ترسیم نمودارهای پیشرفته
- تکنیکهای طبقهبندی: k-NN، رگرسیون لجستیک، درختهای تصمیم، جنگلهای تصادفی، SVMها و ارزیابی عملکرد
- شبکههای عصبی در R: از تئوری تا پیادهسازی با استفاده از caret، شامل استراتژیهای آموزش و جلوگیری از بیشبرازش
- انتخاب ویژگی و مدل: اهمیت متغیر، انتخاب خودکار، رگرسیون Ridge، LASSO و کاهش ابعاد
- تحلیل رگرسیون: مدلهای خطی، تعاملات، رگرسیونکنندههای طبقهای و متدهای ناپارامتری مانند GAMها
- پیشبینی سریهای زمانی: روشهای ساده، تجزیه، هموارسازی نمایی و مدلهای ARIMA/SARIMA
- مدلهای رگرسیون پویا: ادغام ARIMA با رگرسیون خطی و شناسایی تابع انتقال
- تکنیکهای خوشهبندی: k-means، سلسلهمراتبی، PAM، CLARA، DBSCAN، مدلهای مخلوط گاوسی و اعتبارسنجی خوشه
- کاهش ابعاد: PCA، تحلیل تطبیقی ، تحلیل عاملی و چرخش VARIMAX
پیش نیازهای دوره
- هیچ تجربه قبلی با R لازم نیست.
- یک کامپیوتر با دسترسی به اینترنت و نصب بودن R/RStudio
- کنجکاوی و تمایل به یادگیری از طریق کدنویسی عملی
توضیحات دوره
مهارتهای داده خود را با یکی از جامعترین دورههای یادگیری ماشین و R آنلاین متحول کنید.
آیا آمادهاید که به یک متخصص علم داده تبدیل شوید؟ قدرت کامل R را برای علم داده، یادگیری ماشین و پیشبینی در این دوره جامع و عملی که برای تحلیلگران مشتاق، دانشمندان داده و محققان طراحی شده است، باز کنید. چه تازه کار با یادگیری ماشین و R را شروع کرده باشید و چه به دنبال تسلط به تکنیکهای مدلسازی پیشرفته باشید، این دوره شما را در تمام مفاهیم ضروری - از دستکاری و مصورسازی دادهها تا شبکههای عصبی و پیشبینی سریهای زمانی - راهنمایی میکند.
با بیش از 100 درس که با مهارت تهیه شدهاند، شما تجربه عملی استفاده از R و قدرتمندترین کتابخانههای آن، از جمله caret ،ggplot2 ،forecast و mclust را کسب خواهید کرد. هر بخش بر پایه بخش قبلی بنا شده است و منحنی یادگیری روان و درک عمیقی از تئوری و کاربرد را تضمین میکند.
چرا این دوره متمایز است؟
این فقط یک آموزش دیگر R نیست. این یک تجربه یادگیری عملی و مبتنی بر پروژه است که تئوری را با کدنویسی عملی ترکیب میکند. شما مسائل دنیای واقعی را بررسی خواهید کرد، مدلها را خواهید ساخت، نتایج را اعتبارسنجی خواهید کرد و بینشها را مصورسازی خواهید کرد - همه با استفاده از R و اکوسیستم قدرتمند پکیجهای آن مانند caret ،ggplot2 ،forecast و mclust
هر بخش با دقت طراحی شده است تا مهارتهای شما را به تدریج بسازد، با توضیحات واضح، مرور کدنویسی گامبهگام و مثالهای عملی که درک مفاهیم پیچیده را آسان میکند.
ویژگیهای دوره
- بیش از 100 درس در 10 بخش جامع
- مثالها و مجموعههای داده دنیای واقعی
- مرور کدنویسی گامبهگام
- آزمونها و تمرینها برای تقویت یادگیری
- دسترسی مادامالعمر و منابع قابل دانلود
این دوره برای چه کسانی مناسب است؟
- متخصصانی که برای نقشهای یادگیری ماشین، پیشبینی یا مدلسازی آماری آماده میشوند.
- مبتدیان در R که خواهان یک معرفی ساختاریافته و عملی هستند.
- محققان و دانشگاهیانی که با سریهای زمانی، طبقهبندی یا خوشهبندی کار میکنند.
- تحلیلگران و دانشمندان داده که به دنبال گسترش جعبهابزار مدلسازی خود هستند.
تسلط به یادگیری ماشین در R: مقدماتی تا پیشرفته
-
مقدمهای بر R (اولیه): قسمت 1 16:17
-
مقدمهای بر R (اولیه): قسمت 2 10:43
-
انواع داده R (اولیه): قسمت 1 08:45
-
انواع داده R (اولیه): قسمت 2 05:10
-
خواندن و نوشتن فایلهای CSV 09:11
-
بیشتر درباره دیتا فریمها: dfها به عنوان صفحات اکسل 07:52
-
تحلیل اکتشافی دادههای پایه 10:56
-
ترسیم نمودار پیشرفته در R (قسمت 1): فرمولها و lattice 07:02
-
توابع پیشرفته R که زندگی شما را آسانتر میکنند 09:46
-
R-studio پیشرفته: SNIPPETS شگفتانگیز 06:41
-
پکیج Caret: بهترین دوست جدید شما 07:05
-
مقدمهای بر طبقهبندی 08:55
-
یادگیری ماشین: پیشپردازش دادهها 11:05
-
اندازهگیری عملکرد طبقهبندیکننده شما 06:42
-
چگونگی رفع عدم تعادل کلاس در R 12:33
-
روشی بصری برای بررسی دادههای پرت 07:28
-
طبقهبندی: K-Nearest Neighbors (k-NN) 06:55
-
طبقهبندی: رگرسیون لجستیک 10:53
-
الگوریتم k-Nearest neighbors در R با پکیج "class" 07:11
-
اعتبارسنجی (و اعتبارسنجی متقابل) 07:22
-
رگرسیون لجستیک در R با تابع glm (و اشاراتی به caret) 13:44
-
اعتبارسنجی متقابل در R با کتابخانه caret 13:13
-
درختهای تصمیم با caret و "rpart" 05:51
-
درختهای طبقهبندی و رگرسیون (CART) 11:24
-
جنگلهای تصادفی: از درختهای تصمیم تا مجموعههای "بُر خورده" درختان 08:21
-
جنگلهای تصادفی با caret: دقت و اهمیت متغیر 08:12
-
طبقهبندی: ماشینهای بردار پشتیبان - قسمت 1 09:03
-
طبقهبندی: ماشینهای بردار پشتیبان - قسمت 2 09:13
-
سوال اشتباه برای پرسیدن: بهترین الگوریتم طبقهبندی چیست؟ 09:49
-
مقدمهای بر شبکههای عصبی 1: نورونها بیش از حد بزرگنمایی شدهاند 07:08
-
مقدمهای بر شبکههای عصبی 2: از نورونها تا شبکهها 04:56
-
مقدمهای بر شبکههای عصبی 3: همکاری بین نورونها غیرممکن را ممکن میسازد 06:54
-
شبکههای عصبی پایه در R با caret 06:06
-
بررسی عملکرد شبکه عصبی در R با caret 13:59
-
آموزش شبکهها قسمت 1: مشکل بیشبرازش 05:50
-
آموزش شبکهها قسمت 2: ایدههای پشت گرادیان کاهشی 14:11
-
آموزش شبکهها قسمت 3: پسانتشار؛ بیشبرازش و تمام این ماجراها 11:44
-
اهمیت متغیر: کمتر، بیشتر است 13:37
-
انتخاب ویژگی خودکار قسمت 1: برخی تئوریها و ایدههای کلی 05:34
-
انتخاب ویژگی خودکار قسمت 2: بیایید در R کد بزنیم 12:46
-
انتخاب مدل خطی (برای رگرسیون) قسمت 1: انگیزه و تعاریف 07:49
-
انتخاب مدل خطی (برای رگرسیون) قسمت 2: نیروی بیزحمت 05:53
-
انتخاب مدل خطی (برای رگرسیون) قسمت 3: رگرسیون Ridge و LASSO 10:27
-
انتخاب مدل خطی (برای رگرسیون) قسمت 4: روش کاهش ابعاد 07:51
-
مقدمهای کوتاه بر رگرسیون 04:42
-
مقدمهای بر رگرسیون خطی قسمت 1: تعاریف و ایدهها 08:18
-
رگرسیون خطی قسمت 2: معنی همبستگی چیست؟ 12:48
-
رگرسیون خطی در R: مثالهای بسیار ساده و انگیزه 06:13
-
رگرسیون خطی در R: بررسی برازش شما 10:59
-
مقدمهای بر رگرسیون خطی قسمت 2: رگرسیونکنندههای طبقهای 12:48
-
مقدمهای بر رگرسیون خطی قسمت 4: رگرسیون چندجملهای ساده 06:55
-
فراتر از رگرسیون خطی: تعاملات (قسمت 1) 08:12
-
فراتر از رگرسیون خطی: تعاملات (قسمت 2) 06:05
-
مدلهای ناپارامتری قسمت 1: مدلهای افزایشی تعمیمیافته (GAMs) 11:02
-
مدلهای ناپارامتری قسمت 2: اسپلاینهای چندجملهای 08:47
-
مدلهای ناپارامتری قسمت 3: مقایسه GAMها 06:47
-
رگرسیون GAM بسیار آسان با استفاده از ggplot2 08:15
-
مقدمهای بر پیشبینی 09:36
-
پیشبینی: متدهای بسیار ساده و کتابخانه "forecast" 11:01
-
پیشبینی: تبدیل دادهها 05:29
-
کار با سریهای زمانی و پیشبینیهای ساده با R 07:58
-
نگاهی بسیار مقدماتی به زیرمجموعهگیری و باقیماندهها با R 07:07
-
پیشبینی: روشهای تجزیه (قسمت 1) 10:42
-
پیشبینی: روشهای تجزیه (قسمت 2: روشهای پیشرفته) 07:28
-
آموزشی درباره تجزیه سریهای زمانی در R 11:56
-
پیشبینی: روشهای هموارسازی نمایی 09:11
-
متا-پیشبینی: مقایسه DEC + ETS + ARIMA 12:37
-
مقدمهای بر مدلهای شبیه ARIMA: گشت تصادفی فروتن 12:26
-
مدلهای خودهمبسته و میانگین متحرک: AR(p) + MA(q) 10:42
-
شناسایی مدل ARMA 08:02
-
برازش و تشخیص مدل ARMA 15:12
-
تولید و برازش فرآیندهای ARMA 11:38
-
میانگین متحرک یکپارچه خودهمبسته: ARIMA(p,d,q) 15:31
-
مدل ARIMA فصلی: SARIMA(p,d,q)(P,D,Q) 08:40
-
شناسایی مدلهای SARIMA در R: قسمت 1 08:49
-
شناسایی مدلهای SARIMA در R: قسمت 2 10:31
-
متا-پیشبینی: مقایسه DEC + ETS + ARIMA 12:37
-
آموزش: تجزیه در مقابل ETS در مقابل ARIMA (قسمت 1) 13:45
-
آموزش: تجزیه در مقابل ETS در مقابل ARIMA (قسمت 2) 17:08
-
مدلهای رگرسیون پویا: اضافه کردن مقداری نویز ARIMA به رگرسیون خطی 13:03
-
مدلهای رگرسیون پویا: فراتر از رگرسیون خطی 12:06
-
شناسایی مدل رگرسیون پویا با استفاده از توابع انتقال خطی 07:31
-
شناسایی پیشرفته رگرسیون پویا با استفاده از توابع انتقال خطی 15:51
-
مقدمهای بر خوشهبندی 07:29
-
k-means: سادهترین (اما پرکاربردترین) روش خوشهبندی افرازی 12:22
-
آموزش: کار با k-means (قسمت 1: محاسبات) 10:09
-
آموزش: کار با k-means (قسمت 2: ترسیمات) 08:04
-
خوشهبندی سلسلهمراتبی: خوشهبندی با استفاده از درختها 09:54
-
آموزش: خوشهبندی سلسلهمراتبی در R 16:07
-
خوشهبندی افرازی پیشرفته: Medoids، PAM، CLARA و نسخههای سبک 07:57
-
معیارهای فاصله و شباهت 08:26
-
اعتبارسنجی و انتخاب خوشه 12:21
-
خوشهبندی مبتنی بر مدل: مقدمهای بر مدلهای مخلوط گاوسی 11:01
-
خوشهبندی مبتنی بر چگالی: DBSCAN 07:37
-
آموزش: خوشهبندی مبتنی بر مدل (با استفاده از کتابخانه mclust) 14:30
-
مقدمهای بر تحلیل مؤلفههای اصلی (PCA): باشد که PCA با تو باشد 08:51
-
مؤلفههای اصلی و مقادیر ویژه: ارتباط پنهان بین جبر و... 08:03
-
تحلیل مؤلفههای اصلی (PCA): محاسبات و تفسیر 14:29
-
آموزش: تحلیل مؤلفههای اصلی (PCA) 13:48
-
موضوعات تصادفی در PCA (قسمت 1: بازسازی، کیفیت نمایش و Sup...) 10:32
-
موضوعات تصادفی در PCA (قسمت 2: چرخش VARIMAX و خوشهبندی سلسلهمراتبی روی P...) 07:15
-
تحلیل تطبیقی: چگونگی کاهش ابعاد از جداول دو ورودی 08:10
-
اضافه: آموزش تحلیل عاملی (اکتشافی) 13:53
مشخصات آموزش
تسلط به یادگیری ماشین در R: مقدماتی تا پیشرفته
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:103
- مدت زمان :16:51:33
- حجم :7.04GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy