اصول یادگیری ماشینی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ساخت مدلهای یادگیری ماشینی با استفاده از مراحل مختلف یک چرخه کاری معمول در یادگیری ماشینی
- بهکارگیری معیارهای مناسب برای مسائل مختلف کسبوکار جهت ارزیابی عملکرد مدلهای یادگیری ماشینی
- توسعه مدلهای رگرسیون و درختی برای پیشبینی مسائل مرتبط با کسبوکار
- تحلیل مشکلات کسبوکار که در آنها میتوان از مدلهای یادگیری ماشینی بدون نظارت بهره برد تا ارزش دادهها استخراج شود
توضیحات دوره
در جهانی که دادهمحوری و بینشهای مبتنی بر داده صنایع را در حال تحول قرار داده، تسلط به اصول پایهای یادگیری ماشینی مهارتی ارزشمند است که درهای نوآوری و تصمیمگیری آگاهانه را باز میکند. در این دوره جامع، مفاهیم اصلی و جنبههای عملی یادگیری ماشینی به شما آموزش داده میشود. الگوریتمها و تکنیکهای پیچیده به زبان ساده و قابل درک ارائه خواهند شد تا بتوانید با اطمینان از قابلیتهای یادگیری ماشینی بهرهمند شوید.
تا انتهای این دوره، شما: 1. اصول بنیادی یادگیری ماشینی و کاربردهای واقعی آن را درک خواهید کرد. 2. قادر به ساخت و ارزیابی مدلهای یادگیری ماشینی خواهید بود، و دادههای خام را به اطلاعات قابل اقدام تبدیل خواهید کرد. 3. در طیف وسیعی از دادهها به کاوش در الگوهای معنادار و کاربردی خواهید پرداخت که تصمیمگیری را هدایت میکند. 4. استراتژیهای یادگیری ماشینی را در سناریوهای مختلف بهکار خواهید گرفت، و مجموعه مهارتهای حل مساله خود را گسترش خواهید داد. این دوره، پایهای قوی برای کسانی است که میخواهند در حوزه یادگیری ماشینی حرفهای شوند، یا آماده کشف امکانات پویای آن هستند.
اصول یادگیری ماشینی
-
درهای ورود به دوره 2:20
-
ویدئوی معرفی دوره و مدرس 1:39
-
مقدمهای بر بیان مسأله 5:32
-
چگونه پیشبینی میکنیم؟ 2:42
-
روششناسی ارزیابی پیشبینیها 4:04
-
مقدمهای بر تقسیمبندی دادهها 3:24
-
ساخت مدلهای مرجع و ارزیابی آنها 5:53
-
مقدمهای بر یادگیری ماشینی 4:33
-
کاربردهای یادگیری ماشینی 5:39
-
انواع یادگیری ماشینی 4:29
-
برنامه درسی - مبانی یادگیری ماشینی None
-
مواد مطالعه - درک دادهها None
-
چرخه کاری یادگیری ماشینی 10:18
-
ماموریتهای انجام شده 6:19
-
ترکیب دادههای ویژگی محصول با دادههای POS 7:36
-
ترکیب تمامی جداول در Dataframe 8:52
-
درک دادههای ترکیبی 3:32
-
مدیریت مقادیر گمشده - قسمت 1 6:33
-
مدیریت مقادیر گمشده - قسمت 2 3:47
-
شناسایی و مدیریت نقاط پرت 3:16
-
آمادهسازی دادهها برای مدلهای نظارتی و غیرنظارتی 4:03
-
هوش مصنوعی تولیدی برای تجزیه و تحلیل دادهها 7:20
-
مقدمهای بر الگوریتم KNN 2:09
-
ساخت مدل kNN 3:36
-
انتخاب K بهینه 1:50
-
روشهای مختلف محاسبه فاصله 7:26
-
مشکلات الگوریتمهای مبتنی بر فاصله 3:50
-
استفاده از sklearn برای ساخت فرآیند بهینه ساخت مدل یادگیری ماشینی 3:45
-
ساخت و ارزیابی مدل طبقهبندی KNN 12:00
-
انتخاب مقدار مناسب K 2:07
-
تعصب و واریانس 4:52
-
درک ماتریس ابهام و دقت 5:54
-
بررسی عمیق معیارهای Precision ،Recall و F1 Score 9:36
-
درک نمودار AU-ROC 5:06
-
چرا RMSE را محاسبه میکنیم؟ 5:56
-
درک نمره R2 و نسخه تعدیل شده آن 5:20
-
تقسیم آموزش و آزمون 8:24
-
نسبت و محدودیت تقسیم آموزش و آزمون 3:26
-
اعتبارسنجی متقابل 4:33
-
اجرای اعتبارسنجی متقابل 5:32
-
مدلهای مرجع 6:09
-
مقدمهای بر رگرسیون خطی 3:38
-
اهمیت شیب و عرض از مبدأ در رگرسیون خطی 7:08
-
نحوه تعیین خط بهترین برازش توسط مدل 4:18
-
بیایید یک مدل رگرسیون خطی ساده بسازیم 5:43
-
درک مدل با رویکرد توصیفی 10:10
-
درک مدل با رویکرد توصیفی - قسمت دوم 8:29
-
ساخت مدل با رویکرد پیشبینی 4:04
-
مقدمه 1:48
-
رسم خطوط به سمت منحنیها با رگرسیون لجستیک 4:57
-
خواندن میان منحنیها با استفاده از لاگ لاس 5:09
-
خلاصه مدل آماری 6:06
-
انتخاب ویژگیها و نرمالسازی 5:57
-
مدل پیشبینی در رگرسیون لجستیک 3:22
-
مقدمهای بر درختهای تصمیم گیری 4:23
-
بیایید درخت تصمیم گیری را مصورسازی کنیم 7:55
-
درختهای تصمیم گیری چگونه تصمیم میگیرند؟ 7:36
-
درختهای تصمیم گیری چگونه پیشبینی میکنند؟ 3:36
-
کار عملی: ساخت مدل درخت تصمیم گیری برای طبقهبندی 11:36
-
هایپرپارامترهای درختهای تصمیم گیری 5:44
-
کار عملی: ساخت مدل درخت تصمیم گیری برای طبقهبندی - قسمت 2 2:59
-
ساخت مدل رگرسیون درخت تصمیم گیری 4:59
-
مدیریت دادههای نامتوازن 7:27
-
مدیریت دادههای نابرابر - کار عملی 6:23
-
تنظیم زمینه 2:53
-
انتخاب الگوریتمهای خوشهبندی 4:41
-
حل مشکل با استفاده از کلاسترینگ k-means - قسمت 1 10:21
-
حل مشکل با استفاده از کلاسترینگ k-means - قسمت 2 3:19
-
یافتن مقدار بهینه K 7:44
-
تحلیل و بینش بر اساس نمودار 2:19
-
مقدمهای بر تحلیل خوشهبندی سلسلهمراتبی 2:55
-
حل مشکل با استفاده از خوشهبندی سلسلهمراتبی 5:30
-
مقدمهای بر الگوریتم DBSCAN 6:30
-
حل مشکل با استفاده از خوشهبندی DBSCAN 5:38
-
خلاصه دوره 1:43
-
کاربردهای خوشهبندی در دنیای واقعی None
مشخصات آموزش
اصول یادگیری ماشینی
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:76
- مدت زمان :06:30:22
- حجم :743.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy