آموزش یادگیری ماشینی با SciKit - یادگیری با پایتون
8h 23m
54
Udemy
10 تیر 1400
19,456
از 5
دارد (اگر در سایت مرجع باشد، قرارداده می شود.)
معمولا دارد
معمولا دارد (در صورت درخواست)
Ganesh D

https://donyad.com/d/5cf2

آموزش یادگیری ماشینی با SciKit - یادگیری با پایتون

Machine Learning with SciKit-Learn with Python

سرفصل ها و درس ها | نظرات

توضیحات دوره: یک درک عملی از کتابخانه Scikit-Learn کسب کنید و نحوه اجرای ML را بیاموزید

آنچه خواهید آموخت

  • این آموزش یادگیری Scikit به روشی طراحی شده است که می تواند شامل تمام مباحثی باشد که کارآموزان باید در آن مهارت داشته باشند تا بتوانند به طور م effectivelyثر با این کتابخانه کار کنند. در ابتدای دوره ، شما می توانید در مورد یادگیری ماشین با SciKit-Learn که یکی از اجزای مهم این دوره است که در آن همه موارد مربوط به SciKit-Learn را خواهید آموخت ، یاد خواهید گرفت.
  • شما در این آموزش به طور گسترده ای در معرض پایتون قرار خواهید گرفت. پس از اتمام این دوره ، مهارت کافی برای کار کارآمد با کتابخانه SciKit-Learn خواهید داشت.

هدف این دوره کمک به تخصص کارآموز کار با کتابخانه Scikit-learn مستقر در پایتون است. این آموزش به شما امکان می دهد مفاهیم یادگیری ماشین را با استفاده از برنامه های Scikit-learn با استفاده از برنامه ها پیاده سازی کند. تنها هدف این دوره ارائه درک عملی از کتابخانه یادگیری Scikit به کارآموزان است. پس از اتمام این آموزش ، کارآموزان می توانند توسعه برنامه ای را که نیاز به اجرای ML دارد با استفاده از کتابخانه Scikit-learn تحمل کنند. در این واحد ، شما مختصراً با مفهوم آشنا خواهید شد که شامل تمام جزئیات اساسی به همراه موضوعاتی است که برای درک آنها مهم است. با کمک به توسعه دهندگان در افزودن مفاهیم مبتنی بر یادگیری ماشین ، خواهید فهمید که چگونه این کتابخانه به برنامه کمک می کند. بعد از قسمت میانی ویدئو ، در مورد موضوعاتی که تحت مفاهیم سطح پیشرفته قرار می گیرند ، خواهید آموخت. بعد از این واحد ، شما می توانید برای کمک به اجرای مفاهیم یادگیری ماشین با کمک SciKit-Learn تلاش کنید.

Scikit-learn می تواند به عنوان کتابخانه مبتنی بر پایتون تعریف شود که برای پیاده سازی مفاهیم یادگیری ماشین در برنامه استفاده می شود. همچنین می تواند به عنوان مجموعه ای از توابع از پیش تعریف شده توضیح داده شود که از اهرم نیرو برای آوردن ویژگی هایی در برنامه استفاده می شود که با یادگیری ماشین مرتبط هستند. این کتابخانه است که از ابزارهای مختلفی برای مدل سازی آماری و یادگیری ماشین تشکیل شده است. رگرسیون ، خوشه بندی و طبقه بندی از مفیدترین ابزاری است که می توان در این کتابخانه یافت. این در بالای NumPy ، SciPy و Matplotlib ساخته شده است که یکی از دلایل عملکردهای ارائه شده آن است. با استفاده از پایتون ، فقط هنگام اجرای موارد با استفاده از زبان برنامه نویسی پایتون پشتیبانی می شود. می توان از آن به همان روشی استفاده کرد که کتابخانه های دیگر در پایتون استفاده می شوند اما ویژگی های ارائه شده منحصر به فرد و متمرکز بر یادگیری ماشین است.

این دوره برای چه کسانی است:

  • این دوره برای همه کسانی که می خواهند در کار با این کتابخانه تسلط داشته باشند آزاد است. ما دوره را به روشی توسعه داده ایم تا بتوانم برای هر نوع مخاطبی چیزی داشته باشم. دانشجویانی که می خواهند کار خود را در پایتون رشد دهند و می خواهند با این کتابخانه اطلاعاتی کسب کنند می توانند بهترین مخاطب هدف این دوره باشند.
  • توسعه دهندگانی که به زبان های برنامه نویسی دیگری کار می کنند و می خواهند برای شروع کار با یادگیری ماشین به پایتون بپردازند می توانند بهترین مخاطبان این دوره باشند. آنها به طور بسیار دقیق در مورد این کتابخانه اطلاعات کسب خواهند کرد و همچنین نحوه پیاده سازی آن را در پایتون فرا خواهند گرفت.
  • مربیانی که در حال آموزش افراد در یادگیری پایتون یا ماشین هستند نیز می توانند بهترین مخاطب هدف برای این آموزش-یادگیری Scikit باشند. آنها بسیار عمیق در مورد این کتابخانه خواهند آموخت و می توانند درک خود را به کارآموزان خود ارائه دهند.


سرفصل ها و درس ها

معرفی Introduction

  • مقدمه ای بر یادگیری ماشین Introduction to Machine Learning

  • مزایا و معایب یادگیری ماشین Advantages and Disadvantages of Machine Learning

NumPy NumPy

  • مقدمه NumPy NumPy Introduction

  • ویژگی ها و نصب Features and Installation

آرایه NumPy NumPy Array

  • ایجاد آرایه NumPy NumPy Array Creation

  • ویژگی های آرایه NumPy NumPy Array Attributes

  • عملیات آرایه NumPy NumPy Array Operations

  • عملیات آرایه NumPy ادامه دارد NumPy Array Operations Continue

  • عملیات Unary آرایه NumPy NumPy Array Unary Operations

  • پیرایش آرایه ناخن Numpy Array Splicing

  • شکل آرایه NumPy NumPy Array Shpe

  • روی هم قرار دادن آرایه های مختلف Stacking Together Different Arrays

  • تقسیم یک آرایه به چند مورد کوچکتر Splitting one Array into Several Smaller ones

  • کپی ها و نمایش ها Copies and Views

نمایه سازی آرایه ها Indexing Arrays of Arrays

  • نمایه سازی آرایه NumPy NumPy Array Indexing

  • نمایه سازی آرایه NumPy ادامه دارد NumPy Array Indexing Continue

  • آرایه عجیب و غریب boolean NumPy Array Boolean

Matplotlib Matlplotlib

  • مقدمه ای در Matplotlib Introduction to Matlplotlib

  • درک عملکردهای مختلف Pyplot Understanding Various Functions of Pyplot

  • ارقام و زیرمجموعه های متعدد Multiple Figures and Subplots

پانداها Pandas

  • معرفی پانداس Intro to Pandas

  • معرفی Pandas ادامه دهید Intro to Pandas Continue

  • ساختار داده در Pandas Data Structure in Pandas

  • ساختار داده در Pandas ادامه دارد Data Structure in Pandas Continue

  • ستون Pandas را انتخاب کنید Pandas Column Select

  • حذف عملیات Remove Operations

  • عملیات حسابی پانداس Pandas Arithmetic Operations

  • عملیات حسابی Pandas ادامه دارد Pandas Arithmetic Operations Continue

Scikit بیاموزید Scikit Learn

  • مقدمه ای بر Scikit یاد بگیرید Introduction to Scikit Learn

  • تحت نظارت Supervised

  • یادگیری بدون نظارت Unsupervised Learning

  • بارگذاری مجموعه داده Load Data Set

یادگیری و پیش بینی Learning and Predicting

  • ارقام مثال Scikit Scikit Example Digits

  • مجموعه داده ها با استفاده از Matplotlib Digits Dataset Using Matplotlib

  • درک معیارهای مجموعه داده های پیش بینی شده Understading Metrics of Predicted Digits Dataset

  • مدلهای ماندگار Persisting Models

  • الگوریتم K-NN با مثال K-NN Algorithm with Example

اعتبار سنجی متقابل Cross Validation

  • اعتبار سنجی متقابل Cross Validation

  • تکنیک های اعتبار سنجی متقابل Cross Validation Techniques

  • مثال خوشه بندی K-Means K-Means Clustering Example

  • تراکم Agglomeration

  • خط لوله PCA PCA Pipeline

  • تشخیص چهره Face Recognition

  • خروجی تشخیص چهره Face Recognition Output

  • برآوردگر راست Right Estimator

  • مثال داده های متنی Text Data Example

  • استخراج ویژگی ها Extracting Features

  • وقایع فرکانس ها Occurrences to Frequencies

  • آموزش طبقه بندی Classifier Training

  • تجزیه و تحلیل عملکرد در مجموعه تست Performance Analysis on the Test Set

  • تنظیم پارامتر Parameter Tuning

  • شناسایی زبان Language Identifcation

تحلیل فیلم Movie Review Analysis

  • جریان فیلم بررسی فیلم Movie Review Screen Stream

  • بررسی فیلم جریان صفحه ادامه دارد Movie Review Screen Stream Continue

نمایش نظرات

نظری ارسال نشده است.

Ganesh D

کارآفرین و مربی من یک کارآفرین و مربی هستم. من از طریق دوره های خود و فیلم های آنلاین به هزاران دانش آموز در چندین موضوع در زمینه های مختلف آموزش داده ام. من 11 سال سابقه مربیگری دارم. من دوست دارم دانش خود را با دانش آموزان در میان بگذارم. در طول سال ها من ایده های تجاری مختلفی از اصول اولیه تا الگوی پیچیده تر را اجرا کرده ام و دانش بزرگی کسب کرده ام که دوست دارم آنها را به اشتراک بگذارم. من چندین ماه را برای آماده سازی دوره هایم صرف می کنم. قدرت من به عنوان یک معلم از توانایی من در تجزیه و تحلیل موضوعات پیچیده به مفاهیم ساده تر ناشی می شود. و توجه من به جزئیات به من کمک می کند تا این مفاهیم را به گونه ای توضیح دهم که برای دانشجویان بسیار قابل دسترسی باشد. من به طور مداوم در حال تحقیق ، مطالعه و آموزش هستم تا مهارت های خود را ارتقا دهم. امیدوارم از دوره های من لذت ببرید