دوره آموزشی
The Great Courses
دوبله زبان فارسی

تسلط به یادگیری ماشین در R: مقدماتی تا پیشرفته

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

10,048,000 2,512,000 تومان

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

آموزش های مرتبط

  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,833,000 366,600 تومان
  • زمان: 02:27:39
  • تعداد درس: 24
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,260,000 452,000 تومان
  • زمان: 03:02:02
  • تعداد درس: 14
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
795,000 159,000 تومان
  • زمان: 58:00
  • تعداد درس: 12
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
19,403,000 3,880,600 تومان
  • زمان: 26:02:40
  • تعداد درس: 175
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
8,508,000 1,701,600 تومان
  • زمان: 11:25:13
  • تعداد درس: 94
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
6,100,500 1,220,100 تومان
  • زمان: 08:11:21
  • تعداد درس: 28
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,256,500 1,451,300 تومان
  • زمان: 09:44:25
  • تعداد درس: 67
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
3,634,500 726,900 تومان
  • زمان: 04:52:43
  • تعداد درس: 38
  • 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