اصول یادگیری ماشین: ساخت مدلهای هوش مصنوعی در سطح تخصصی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک و بهکارگیری برنامهنویسی Python برای تسک های داده و ML
- تسلط به مفاهیم آماری ضروری مورد استفاده در تحلیلهای دنیای واقعی
- انجام آزمون فرضیه برای استخراج نتایج معنادار داده محور
- پاکسازی، تغییر شکل و آمادهسازی مجموعهداده خام برای مدلسازی
- تحلیل و تفسیر داده با استفاده از تکنیکهای تحلیلی مدرن
- ایجاد مصورسازیهای بصیرتبخش داده با استفاده از کتابخانههای محبوب Python
- ساخت، آموزش و ارزیابی مدلهای یادگیری ماشین از ابتدا.
- بهکارگیری تکنیکهای ML در پروژههای دنیای واقعی و انجام پیشبینیهای دقیق
پیشنیازهای دوره
- بدون نیاز به تجربه قبلی در برنامهنویسی یا یادگیری ماشین
- مهارتهای اولیه کامپیوتر و توانایی نصب نرمافزار
- یک لپتاپ یا کامپیوتر با دسترسی به اینترنت
- اشتیاق برای یادگیری و تمرین از طریق تمرینات عملی
- کنجکاوی درباره داده، هوش مصنوعی و چگونگی عملکرد یادگیری ماشین
توضیحات دوره
دوره «اصول یادگیری ماشین: ساخت مدلهای هوش مصنوعی در سطح تخصصی» یک برنامه جامع و کاربرپسند برای مبتدیان است که برای همراهی یادگیرنده از مفاهیم بنیادی تا تکنیکهای پیشرفته یادگیری ماشین طراحی شده است. چه یادگیرنده در برنامهنویسی تازهکار باشد و چه به دنبال تقویت مهارتهای هوش مصنوعی خود باشد، این دوره مسیری کامل و ساختاریافته برای تسلط بر تصمیمگیری داده محور و مدلسازی یادگیری ماشین فراهم میکند.
او با یادگیری برنامهنویسی Python، زبان ضروری برای توسعه مدرن هوش مصنوعی، شروع خواهد کرد. سپس، مدرس به او کمک میکند تا از طریق آمار و آزمون فرضیه، یک پایه ریاضی قوی بسازد و طرز فکر تحلیلی مورد نیاز برای تفسیر داده با اطمینان کامل را کسب کند. با پیشرفت در دوره، یادگیرنده تجربه عملی در تحلیل داده، مصورسازی داده و پاکسازی داده بهدست میآورد؛ اینها مهارتهای کلیدی هستند که هر متخصص ML برای آمادهسازی و درک مجموعهداده دنیای واقعی به آنها تکیه میکند.
آنچه خواهید آموخت:
- نوشتن کد Python تمیز و کارآمد برای تسک های داده و ML
- درک مفاهیم محوری آمار برای تحلیل داده
- انجام آزمون فرضیه برای تایید تصمیمات تجاری
- تحلیل مجموعهداده با استفاده از تکنیکهای تحلیلی مدرن
- مصورسازی داده با استفاده از کتابخانههای استاندارد صنعت
- پاکسازی و آمادهسازی داده نامنظم و واقعی
- ساخت، ارزیابی و استقرار مدلهای یادگیری ماشین
در نهایت، یادگیرنده وارد مباحث عمیق یادگیری ماشین میشود و در آنجا چگونگی طراحی، آموزش، ارزیابی و بهینهسازی مدلهای مورد استفاده در صنایع مختلف امروزی را فرا میگیرد. هر ماژول به صورت عملی و جذاب طراحی شده و برای یادگیرندگان با هر زمینهای مناسب است.
یادگیرنده میتواند همین امروز اولین قدم خود را به دنیای هیجانانگیز علوم داده بردارد.
همین حالا در این دوره شرکت کنید و پتانسیل خود را شکوفا سازید!
این دوره برای چه کسانی مناسب است؟
- مبتدیانی که میخواهند وارد حوزه علوم داده یا یادگیری ماشین شوند.
- دانشجویان و متخصصانی که به دنبال ساخت یک پایه قوی در ML هستند.
- برنامهنویسانی که میخواهند مهارتهای خود را به هوش مصنوعی و تحلیل داده گسترش دهند.
- تحلیلگران کسبوکار و تصمیمگیرندگانی که به دنبال بصیرتهای داده محور هستند.
- جویندگان کار که برای نقشهای علوم داده، هوش مصنوعی یا تحلیلی آماده میشوند.
- هر کسی که درباره چگونگی عملکرد یادگیری ماشین کنجکاو است و تجربه عملی میخواهد.
- کارآفرینان و نوآورانی که میخواهند از ML در پروژههای دنیای واقعی استفاده کنند.
- افرادی که به دنبال ساخت مهارتهای هوش مصنوعی کاربردی و آماده برای صنعت هستند.
اصول یادگیری ماشین: ساخت مدلهای هوش مصنوعی در سطح تخصصی
-
کاربردهای دنیای واقعی Python 04:42
-
نصب Anaconda برای Windows و macOS 04:48
-
آشنایی با متغیرها 05:59
-
آشنایی با انواع داده و تبدیل نوع 06:27
-
دامنه متغیرها 08:18
-
آشنایی با عملگرها 19:03
-
آزمون مبانی Python None
-
آشنایی با لیستها و تاپلها 14:08
-
آشنایی با مجموعهها و دیکشنریها 12:12
-
آشنایی با پشتهها و صفها 06:57
-
آشنایی با پیچیدگی فضا و زمان 13:27
-
آشنایی با الگوریتمهای مرتبسازی 08:36
-
آشنایی با الگوریتمهای جستجو 08:47
-
آزمون ساختارهای داده None
-
آشنایی با پارامترها و آرگومانها 15:18
-
آشنایی با ماژولهای Python 05:39
-
آشنایی با توابع Filter ،Map و Zip 13:44
-
آشنایی با درککنندههای لیست، مجموعه و دیکشنری 10:23
-
آشنایی با توابع Lambda 07:03
-
آشنایی با توابع تحلیلی و تجمعی 08:09
-
آزمون توابع در Python None
-
آشنایی با رشتهها 05:44
-
آشنایی با توابع مهم رشتهای 10:46
-
آشنایی با قالببندی رشته و ورودی کاربر 08:30
-
آشنایی با متا کاراکترها 22:30
-
آشنایی با توابع داخلی عبارات باقاعده 07:44
-
کاراکترهای خاص و مجموعهها برای عبارات باقاعده 07:30
-
آزمون رشتهها و عبارات باقاعده None
-
آشنایی با دستورات شرطی 06:35
-
آشنایی با حلقههای For 04:18
-
آشنایی با حلقههای While 05:14
-
آشنایی با Break و Continue 03:09
-
استفاده از دستورات شرطی در حلقهها 05:51
-
حلقهها و دستورات شرطی تو در تو 07:10
-
آزمون حلقهها و شرطها None
-
آشنایی با مفاهیم شیءگرایی (OOPs) 05:21
-
آشنایی با وراثت 04:50
-
آشنایی با کپسولهسازی 03:28
-
آشنایی با پلی مورفیسم 05:23
-
آشنایی با کلاس تاریخ و زمان 07:53
-
آشنایی با کلاس TimeDelta 05:17
-
آزمون شیءگرایی و تاریخ-زمان None
-
آشنایی با آمار و اهمیت آن 05:58
-
توضیح نقش آمار در تحلیل داده 05:22
-
آشنایی با Python برای تحلیل آماری 05:31
-
آزمون None
-
انواع داده 07:58
-
شاخصهای گرایش به مرکز 06:18
-
شاخصهای پراکندگی 04:37
-
شاخصهای وابستگی 05:06
-
شاخصهای شکل و موقعیت 09:37
-
شاخصهای نمرات استاندارد 04:56
-
آزمون None
-
آشنایی با احتمالات پایه 11:44
-
آشنایی با نظریه مجموعهها 06:58
-
آشنایی با احتمال شرطی 05:12
-
آشنایی با قضیه بیز 08:23
-
آشنایی با جایگشتها و ترکیبها 07:47
-
آشنایی با متغیرهای تصادفی 05:25
-
آشنایی با توابع توزیع احتمال 13:43
-
آزمون None
-
آشنایی با توزیع نرمال 13:32
-
آشنایی با چولگی و کشیدگی 09:01
-
آشنایی با تبدیلهای آماری 12:46
-
آشنایی با میانگین نمونه و جامعه 04:57
-
آشنایی با قضیه حد مرکزی 05:08
-
آشنایی با سوگیری و واریانس 07:28
-
آشنایی با تخمین حداکثر درستنمایی 06:53
-
آشنایی با فواصل اطمینان 05:12
-
آشنایی با همبستگیها 18:27
-
آشنایی با متدهای نمونهبرداری 17:00
-
آزمون None
-
مبانی آزمون فرضیه 07:09
-
آشنایی با آزمونهای T 09:00
-
آشنایی با آزمونهای Z 05:37
-
آشنایی با آزمونهای Chi-Squared 15:16
-
آشنایی با آزمونهای Anova 03:30
-
آزمون None
-
آشنایی با آرایههای NumPy 08:10
-
آشنایی با عملیات NumPy 12:38
-
آشنایی با Pandas 05:54
-
آشنایی با Series و DataFrames 11:02
-
خواندن دادههای CSV و JSON با استفاده از Pandas 03:56
-
تحلیل دادهها با استفاده از Pandas 03:21
-
آزمون None
-
اندیسگذاری، برشزنی و فیلتر کردن داده 14:54
-
ادغام و اتصال با استفاده از Pandas 07:29
-
همبستگی و ترسیم نمودار با استفاده از Pandas 09:30
-
آشنایی با توابع Lambda ،Map و Apply 04:47
-
آشنایی با عملیات گروهبندی با استفاده از Pandas 08:59
-
آشنایی با جدولبندی متقاطع با استفاده از Pandas 03:46
-
آشنایی با عملیات فیلتر کردن با استفاده از Pandas 08:58
-
عملیات گروهبندی و فیلتر کردن تعاملی 10:00
-
آزمون None
-
عوامل موثر برای مصورسازی مناسب داده 12:26
-
آشنایی با مصورسازی های تکمتغیره 09:10
-
آشنایی با مصورسازی های دومتغیره 03:10
-
رسم دو متغیر دستهای 04:30
-
آشنایی با مصورسازیهای چندمتغیره 04:29
-
آشنایی با نقشههای حرارتی و Pairplots 08:21
-
آزمون None
-
مقیاسهای رنگی، Facet Grids و زیرنمودارها 22:30
-
آشنایی با مصورسازی سهبعدی داده 06:56
-
آشنایی با مصورسازی تعاملی داده 09:00
-
آشنایی با نقشهها با استفاده از Plotly 07:49
-
آشنایی با نمودارهای قیفی و گانت با استفاده از Plotly 14:07
-
آشنایی با مصورسازیهای متحرک دادهها با استفاده از Plotly 10:24
-
آزمون None
-
دلایل و تاثیر مقادیر گمشده 03:01
-
انواع مقادیر گمشده 06:12
-
چه زمانی مقادیر گمشده را از داده حذف کنیم؟ 09:02
-
جایگذاری مقادیر گمشده با مقادیر آماری 09:37
-
جایگذاری مقادیر گمشده با منطق کسبوکار 05:46
-
تاثیر دادههای پرت بر مدلهای ML 07:03
-
مدیریت دادههای پرت در یک مجموعهداده 14:48
-
آشنایی با Label Encoding و Ordinal Encoding 14:43
-
آشنایی با Binary Encoding و BaseN Encoding 10:09
-
آشنایی با Target Encoding 07:23
-
آشنایی با توابع reindex ،set_index ،reset_index و sort_index 05:47
-
آشنایی با توابع Replace و Droplevel 03:00
-
آشنایی با توابع Split و Strip 09:09
-
آشنایی با توابع Stack و Unstack 04:27
-
آشنایی با توابع Melt، Explode و Squeeze 03:29
-
آشنایی با توابع at_time و between_time 02:34
-
آشنایی با توابع nlargest و nsmallest 03:01
-
تعیین نحوه حذف ستونهای غیرضروری 04:00
-
تجزیه ویژگیهای تاریخ و زمان 02:11
-
تجزیه ویژگیهای دستهای 02:10
-
دستهبندی ویژگیهای عددی 03:46
-
تجمیع ویژگیها 03:13
-
چگونگیاستفاده صنایع از یادگیری ماشین 03:49
-
طبقهبندی در مقابل رگرسیون 02:58
-
تبدیل داده با رگرسیون خطی 07:13
-
اعتبارسنجی متقاطع K-Folds 05:47
-
تحلیل عملکرد مدل رگرسیون 05:22
-
درک بصری R2 و R2 تعدیلشده 06:44
-
پیادهسازی MAE ،RMSE ،R2 و Adj R2 در کد 05:36
-
ارتباط رگرسیون خطی با صنعت 02:02
-
منظمسازی چیست و چرا مهم است؟ 04:31
-
درک بصری Lasso ،Ridge و Elastic Net 05:57
-
بهکارگیری Lasso ،Ridge و Elastic Net در Sklearn 04:05
-
آشنایی با رگرسیون لجستیک 07:20
-
پیادهسازی رگرسیون لجستیک با استفاده از Sklearn 10:07
-
انتخاب ویژگی با استفاده از RFECV 06:38
-
تنظیم هایپرپارامترها با استفاده از Grid Search 07:23
-
بهکارگیری اعتبارسنجی متقاطع 03:46
-
استفاده از امتیاز دقت برای تحلیل عملکرد مدل 05:06
-
ارتباط رگرسیون لجستیک با صنعت 02:55
-
ترفندهای هسته برای ماشینهای بردار پشتیبان (SVM) 05:31
-
پیادهسازی ماشینهای بردار پشتیبان با استفاده از Sklearn 06:38
-
آشنایی با کای-نزدیکترین همسایه (KNN) 04:32
-
پیادهسازی کای-نزدیکترین همسایه با استفاده از Sklearn 02:12
-
آشنایی با الگوریتم Naive Bayes و Gaussian Naive Bayes 08:37
-
پیادهسازی Naive Bayes با استفاده از Sklearn 03:15
-
چه زمانی باید از الگوریتمهای SVM ،KNN و Naive Bayes استفاده کرد؟ 03:40
مشخصات آموزش
اصول یادگیری ماشین: ساخت مدلهای هوش مصنوعی در سطح تخصصی
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:155
- مدت زمان :17:28:55
- حجم :13.77GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy