تسلط به تحلیل خوشهای و یادگیری بدون نظارت [2024]
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- تسلط به تحلیل خوشهای و یادگیری بدون نظارت هم در تئوری و هم در عمل
- تسلط به مدلهای ساده و پیشرفته تحلیل خوشهای
- استفاده از تحلیل خوشهای K-means ،DBSCAN، مدلهای خوشهبندی سلسلهمراتبی، تحلیل مؤلفههای اصلی (PCA) و موارد دیگر
- ارزیابی مدلهای تحلیل خوشهای با استفاده از ابزارهای مختلف
- یادگیری تئوری پیشرفته یادگیری بدون نظارت و با نظارت و آشنایی با شبیهسازیهای خودکار بروزرسانیشونده
- درک مفاهیمی مانند حقیقت، حقیقت پیشبینیشده یا حقیقت شرطی مبتنی بر مدل
- استفاده از ابزارهای گرافیکی پیشرفته و مؤثر برای ارزیابی عملکرد مدلها
- استفاده از کتابخانههای Scikit-learn برای تحلیل خوشهای و یادگیری بدون نظارت، با پشتیبانی Matplotlib ،Seaborn ،Pandas و Python
- محاسبات ابری: استفاده از Anaconda Cloud Notebook (Jupyter Notebook مبتنی بر ابر). یادگیری استفاده از منابع محاسبات ابری
پیشنیازهای دوره
- تجربه روزمره استفاده از کامپیوتر با سیستمعاملهای Windows، MacOS ،iOS ،Android ،ChromeOS یا Linux توصیه میشود.
- دسترسی به کامپیوتر با اتصال اینترنت
- داشتن مهارت اولیه در Python ضروری است و تجربه کار با کتابخانه Pandas توصیه میشود.
- در این دوره فقط از نرمافزارهای رایگان استفاده میشود.
- ویدیوهای راهنمای گامبهگام نصب و راهاندازی برای محاسبات ابری و Windows 10/11 در دوره گنجانده شده است.
توضیحات دوره
به دوره تسلط به تحلیل خوشهای و یادگیری بدون نظارت خوش آمدید!
تحلیل خوشهای و یادگیری بدون نظارت از مهمترین و تعیینکنندهترین تسک ها در یادگیری ماشین و علم داده هستند. این دو حوزه، یکی از متدهای اصلی برای دانشمندان داده، تحلیلگران، هوش مصنوعی و ماشینهای هوشمند جهت استخراج بینش، اطلاعات یا دانش جدید از داده به شمار میروند.
این دوره یک مسترکلاس ویدیویی عملی و جذاب برای تسلط به تحلیل خوشهای و یادگیری بدون نظارت است.
مدرس به شما آموزش میدهد تا به برخی از کاربردیترین و قدرتمندترین تکنیکهای تحلیل خوشهای و یادگیری بدون نظارت موجود تسلط پیدا کنید.
شما خواهید آموخت:
- تسلط به تحلیل خوشهای و یادگیری بدون نظارت هم در تئوری و هم در عمل
- تسلط به مدلهای ساده و پیشرفته تحلیل خوشهای
- استفاده از تحلیل خوشهای K-means، DBSCAN، مدلهای خوشهبندی سلسلهمراتبی، تحلیل مؤلفههای اصلی (PCA) و موارد دیگر...
- ارزیابی مدلهای تحلیل خوشهای با استفاده از ابزارهای مختلف
- یادگیری تئوری پیشرفته یادگیری بدون نظارت و با نظارت و آشنایی با شبیهسازیهای خودکار بروزرسانیشونده
- درک مفاهیمی مانند حقیقت، حقیقت پیشبینیشده یا حقیقت شرطی مبتنی بر مدل
- استفاده از ابزارهای گرافیکی پیشرفته و مؤثر برای ارزیابی عملکرد مدلها
- استفاده از کتابخانههای Scikit-learn برای تحلیل خوشهای و یادگیری بدون نظارت، با پشتیبانی Matplotlib ،Seaborn ،Pandas و Python
- محاسبات ابری: استفاده از Anaconda Cloud Notebook (Jupyter Notebook مبتنی بر ابر). یادگیری استفاده از منابع محاسبات ابری
- اختیاری: استفاده از توزیع Anaconda (برای Windows ،Mac ،Linux)
- اختیاری: استفاده از مفاهیم پایه محیط Python با سیستم مدیریت پکیج Conda و نصب/بروزرسانی کتابخانهها و پکیجها از طریق خط فرمان – نکات طلایی برای بهبود کیفیت کار شما
- و بسیاری موارد دیگر...
این دوره روشی عالی برای یادگیری و تسلط به تحلیل خوشهای و یادگیری بدون نظارت است!
تحلیل خوشهای و یادگیری بدون نظارت به عنوان انواع اکتشافی تحلیل داده شناخته میشوند و برای کشف اطلاعات و دانش جدید بسیار مفید هستند. این روشها غالباً یکی از معدود راههای موجود برای هوش مصنوعی و ماشینهای هوشمند به منظور تولید دانش یا اطلاعات جدید از دادهها بدون کمک یا نظارت انسان (که به آن یادگیری با نظارت میگویند) در نظر گرفته میشوند.
این دوره به شما امکان میدهد از محاسبات ابری از طریق Anaconda Cloud Notebook استفاده کنید و چگونگی استفاده از منابع ابری را بیاموزید. همچنین میتوانید از هر محیط مبتنی بر Python به دلخواه خود استفاده کنید.
این دوره برای تمام کسانی طراحی شده است که میخواهند:
یاد بگیرند که چگونه بر تحلیل خوشهای و یادگیری بدون نظارت تسلط پیدا کنند.
این دورهای است که مدرس خودش نیز دوست داشت در آن شرکت کند اگر میتوانست در زمان سفر کرده و دوباره دانشجو شود. به عقیده مدرس، این بهترین دوره برای تسلط به تحلیل خوشهای و یادگیری بدون نظارت است.
همین الان در این دوره شرکت کنید تا به بیش از 5 ساعت آموزش ویدیویی با زیرنویس انگلیسی ویرایششده دستی دسترسی پیدا کنید.
این دوره برای چه کسانی مناسب است؟
- هر کسی که میخواهد بر تحلیل خوشهای و یادگیری بدون نظارت تسلط پیدا کند.
تسلط به تحلیل خوشهای و یادگیری بدون نظارت [2024]
-
بررسی و مقدمه 10:30
-
راهاندازی Anaconda Cloud Notebook 14:22
-
دانلود و نصب توزیع Anaconda (اختیاری) 21:05
-
سیستم مدیریت پکیج Conda (اختیاری) 35:00
-
مروری کلی 22:30
-
تحلیل خوشهای K-Means 47:15
-
تحلیل خوشهای K-Means خودکار بروزرسانیشونده، مقدمه و شبیهسازی 01:06:20
-
خوشهبندی فضایی مبتنی بر چگالی کاربردها با نویز (DBSCAN) 34:46
-
چهار الگوریتم خوشهبندی سلسلهمراتبی 21:18
-
تحلیل مؤلفههای اصلی (PCA) 53:47
مشخصات آموزش
تسلط به تحلیل خوشهای و یادگیری بدون نظارت [2024]
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:همه سطوح
- تعداد درس:10
- مدت زمان :05:26:53
- حجم :3.1GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy