یادگیری ماشین با استفاده از برنامهنویسی پایتون
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- الگوریتمها و اصطلاحات یادگیری ماشین
- هوش مصنوعی
- کتابخانههای پایتون - Numpy و Pandas و Scikit-learn و Matplotlib و Seaborn
پیشنیازهای دوره
- بله، داشتن دانش اولیه در پایتون ترجیح داده میشود.
توضیحات دوره
یادگیری ماشین یعنی اینکه یک ماشین با هوش مصنوعی چگونه مانند یک انسان یاد میگیرد.
به دوره یادگیری ماشین و پیادهسازی آن با استفاده از پایتون 3 خوش آمدید. همانطور که از عنوان پیداست، برای درک بهتر بخش پیادهسازی، داشتن دانش پایه در پایتون 3 توصیه میشود، اما اجباری نیست.
این دوره محتوای قدرتمندی درباره مفاهیم اصلی ML، از جمله ویژگیها، مراحل ساخت مدل ML مانند پیشپردازش داده، فاین تیونینگ مدل، بیشبرازش، کمبرازش، بایاس، واریانس، ماتریس درهمریختگی و معیارهای عملکرد مدل ML دارد. همچنین اهمیت بسیاری از تکنیکهای پیشپردازش مانند باینریسازی و MinMaxScaler و اسکالر استاندارد را بررسی میکنیم.
ما میتوانیم بسیاری از الگوریتمهای ML را با استفاده از کتابخانه scikit-learn در پایتون تنها با چند خط کد پیاده کنیم. درست است؟ اما این کار به ما کمک نمیکند که خود الگوریتمها را درک کنیم. به همین دلیل، در این دوره ابتدا منطق ریاضی و مفاهیم پشت الگوریتمها را بررسی کرده و سپس همانها را در پایتون پیاده خواهیم کرد. همچنین برای جذابتر شدن مطالب، الگوریتمها را مصورسازی میکنیم.
الگوریتمهایی که در دوره بررسی خواهیم کرد عبارتند از:
- رگرسیون خطی
- رگرسیون لجستیک
- ماشینهای بردار پشتیبان
- KNN Classifier
- رگرسور KNN
- درخت تصمیمگیری
- Classifier جنگل تصادفی
- Classifier بیز ساده
- خوشهبندی
- و موارد دیگر
ما نتایج همه الگوریتمها را با هم مقایسه میکنیم و یک رویکرد تحلیلی خوب میسازیم. منتظر چه هستید؟
این دوره برای چه کسانی مناسب است؟
- توسعهدهندگان مبتدی پایتون
یادگیری ماشین با استفاده از برنامهنویسی پایتون
-
مقدمهای بر یادگیری ماشین 05:13
-
ویژگیهای یادگیری ماشین 02:40
-
برنامهنویسی سنتی در مقابل یادگیری ماشین 05:33
-
تفاوت بین یادگیری نظارت شده و بدون نظارت 07:27
-
الگوریتمها در یادگیری نظارت شده و بدون نظارت 02:54
-
پایپلاین یادگیری ماشین - جمعآوری داده 07:27
-
اهمیت پیشپردازش داده 02:43
-
اهمیت انتخاب ویژگی و مهندسی ویژگی 09:07
-
اصطلاحات یادگیری ماشین 06:34
-
مقدمهای بر محیط iPython 08:39
-
ایجاد آرایه numpy 12:16
-
پردازش آرایههای numpy 11:33
-
دسترسی به ستونها از ماتریسهای Numpy 03:26
-
روشهای آماری در Numpy 11:02
-
عملیاتهای ماتریس در Numpy 10:32
-
تکرار در آرایه numpy 04:48
-
درکی شهودی از دیتافریم و سریها در Pandas 05:34
-
استفاده از آرایههای numpy برای ایجاد سریهای Pandas 06:31
-
استفاده از دیکشنری برای ایجاد سریهای Pandas 05:39
-
استفاده از اسکالر برای ایجاد سریهای Pandas 01:49
-
پردازش سریها 01:30
-
ایجاد دیتافریم Pandas از سریها 05:33
-
استفاده از لیستهای داده برای ایجاد دیتافریم Pandas 04:26
-
رویکردی دیگر برای ایجاد دیتافریمها 03:50
-
ایجاد مستقیم دیتافریم Pandas از آرایههای numpy 01:36
-
بارگذاری مجموعه داده (مهم) 05:27
-
تحلیل مجموعه دادهها - بخش 1 05:28
-
تحلیل مجموعه دادهها - بخش 2 - با ترسیم نمودار 13:46
-
کار با مجموعه داده گل زنبق از sklearn 27:02
-
باینریسازی 08:04
-
مقیاسبندی ویژگی 07:11
-
تحلیل رگرسیون خطی 17:14
-
کاربرد Optimizer گرادیان نزولی 07:32
-
الگوریتم Optimizer گرادیان نزولی 17:58
-
مسئله تقاضا در مقابل قیمت برای درک رگرسیون خطی 09:26
-
پیادهسازی رگرسیون خطی - بخش 1 11:13
-
پیادهسازی رگرسیون خطی - بخش 2 06:31
-
مصورسازی LBF با استفاده از matplotlib 04:07
-
چرا رگرسیون خطی برای یک مسئله طبقهبندی شکست میخورد؟ 08:37
-
تابع سیگموئید در رگرسیون لجستیک 05:01
-
ماتریس درهمریختگی 10:06
-
پیادهسازی رگرسیون لجستیک 16:22
-
ایجاد نقشه حرارتی از ماتریس درهمریختگی 02:57
-
درک SVM و Hyperplanes 10:39
-
درک کرنلهای SVM 03:00
-
پیادهسازی Classifiers بردار پشتیبان در پایتون 07:03
-
ترسیم نمودارهای طبقهبندی 06:21
-
مقدمهای بر KNN 03:14
-
مراحل طبقهبندی KNN و رگرسیون KNN 06:25
-
پیادهسازی طبقهبندی KNN با استفاده از sklearn 06:14
-
پیادهسازی الگوریتم رگرسیون KNN در پایتون - بخش 1 04:28
-
پیادهسازی الگوریتم رگرسیون KNN در پایتون - بخش 2 02:02
-
مقدمهای بر درختهای تصمیمگیری 00:45
-
اصطلاحات اولیه درخت 19:21
-
مثال 1 برای درخت تصمیمگیری 02:53
-
مثال 2 برای درخت تصمیمگیری 02:04
-
پیادهسازی الگوریتم درخت تصمیمگیری - بخش 1 02:56
-
پیادهسازی الگوریتم درخت تصمیمگیری - بخش 2 02:11
-
تکنیکهای گروهی - Classifier جنگل تصادفی 07:31
-
پیادهسازی Classifier تصادفی در پایتون 06:08
-
Classifier بیز ساده 11:12
-
پیادهسازی Classifier بیز ساده برای مجموعه داده شراب 15:12
-
جریان کامل خوشهبندی K-Means 15:36
-
مفهوم بیشبرازش و کمبرازش 14:37
مشخصات آموزش
یادگیری ماشین با استفاده از برنامهنویسی پایتون
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:Alls
- تعداد درس:64
- مدت زمان :08:02:32
- حجم :2.67GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
- زمان: 06:58:57
- تعداد درس: 60
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 02:27:39
- تعداد درس: 24
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 03:02:02
- تعداد درس: 14
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 58:00
- تعداد درس: 12
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 11:25:13
- تعداد درس: 94
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 08:11:21
- تعداد درس: 28
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 09:44:25
- تعداد درس: 67
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:52:43
- تعداد درس: 38
-
سطح دوره:
-
زبان: دوبله فارسی