آموزش بوت کمپ علم داده و یادگیری ماشین 2022 را کامل کنید

سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

• یادگیری ماشینی چیست؟ What is Machine Learning?

• علم داده چیست؟ What is Data Science?

• برنامه درسی را دانلود کنید Download the Syllabus

• نکات مهم برای موفقیت در این دوره Top Tips for Succeeding on this Course

• فهرست منابع دوره Course Resources List

مقدمه دوره Introduction to the Course

• یادگیری ماشینی چیست؟ What is Machine Learning?

• علم داده چیست؟ What is Data Science?

• برنامه درسی را دانلود کنید Download the Syllabus

• نکات مهم برای موفقیت در این دوره Top Tips for Succeeding on this Course

• فهرست منابع دوره Course Resources List

پیش بینی درآمد باکس آفیس فیلم با رگرسیون خطی Predict Movie Box Office Revenue with Linear Regression

• مقدمه ای بر رگرسیون خطی و تعیین مسئله Introduction to Linear Regression & Specifying the Problem

• جمع آوری و پاک کردن داده ها Gather & Clean the Data

• کاوش و تجسم داده ها با پایتون Explore & Visualise the Data with Python

• شهود پشت مدل رگرسیون خطی The Intuition behind the Linear Regression Model

• تجزیه و تحلیل و ارزیابی نتایج Analyse and Evaluate the Results

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• به انجمن دانشجویی بپیوندید Join the Student Community

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

پیش بینی درآمد باکس آفیس فیلم با رگرسیون خطی Predict Movie Box Office Revenue with Linear Regression

• مقدمه ای بر رگرسیون خطی و تعیین مسئله Introduction to Linear Regression & Specifying the Problem

• جمع آوری و پاک کردن داده ها Gather & Clean the Data

• کاوش و تجسم داده ها با پایتون Explore & Visualise the Data with Python

• شهود پشت مدل رگرسیون خطی The Intuition behind the Linear Regression Model

• تجزیه و تحلیل و ارزیابی نتایج Analyse and Evaluate the Results

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• به انجمن دانشجویی بپیوندید Join the Student Community

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

برنامه نویسی پایتون برای علم داده و یادگیری ماشین Python Programming for Data Science and Machine Learning

• کاربران ویندوز - Anaconda را نصب کنید Windows Users - Install Anaconda

• کاربران مک - Anaconda را نصب کنید Mac Users - Install Anaconda

• آیا LSD شما را در ریاضیات بهتر می کند؟ Does LSD Make You Better at Maths?

• 12 قانون برای یادگیری کدنویسی را دانلود کنید Download the 12 Rules to Learn to Code

• [Python] - متغیرها و انواع [Python] - Variables and Types

• تمرین کدنویسی متغیر پایتون Python Variable Coding Exercise

• [Python] - لیست ها و آرایه ها [Python] - Lists and Arrays

• تمرین کدنویسی لیست های پایتون Python Lists Coding Exercise

• [Python & Pandas] - Dataframes و Series [Python & Pandas] - Dataframes and Series

• [Python] - واردات ماژول [Python] - Module Imports

• [Python] - توابع - قسمت 1: تعریف و فراخوانی توابع [Python] - Functions - Part 1: Defining and Calling Functions

• تمرین کدنویسی توابع پایتون - قسمت 1 Python Functions Coding Exercise - Part 1

• [Python] - توابع - قسمت 2: آرگومان ها و پارامترها [Python] - Functions - Part 2: Arguments & Parameters

• تمرین کدنویسی توابع پایتون - قسمت 2 Python Functions Coding Exercise - Part 2

• [Python] - توابع - قسمت 3: نتایج و مقادیر بازگشتی [Python] - Functions - Part 3: Results & Return Values

• تمرین کدنویسی توابع پایتون - قسمت 3 Python Functions Coding Exercise - Part 3

• [Python] - اشیا - درک ویژگی ها و روش ها [Python] - Objects - Understanding Attributes and Methods

• نحوه درک اسناد پایتون برای تجسم داده ها How to Make Sense of Python Documentation for Data Visualisation

• کار با اشیاء پایتون برای تجزیه و تحلیل داده ها Working with Python Objects to Analyse Data

• [Python] - نکات، سبک کد و قراردادهای نامگذاری [Python] - Tips, Code Style and Naming Conventions

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

برنامه نویسی پایتون برای علم داده و یادگیری ماشین Python Programming for Data Science and Machine Learning

• کاربران ویندوز - Anaconda را نصب کنید Windows Users - Install Anaconda

• کاربران مک - Anaconda را نصب کنید Mac Users - Install Anaconda

• آیا LSD شما را در ریاضیات بهتر می کند؟ Does LSD Make You Better at Maths?

• 12 قانون برای یادگیری کدنویسی را دانلود کنید Download the 12 Rules to Learn to Code

• [Python] - متغیرها و انواع [Python] - Variables and Types

• تمرین کدنویسی متغیر پایتون Python Variable Coding Exercise

• [Python] - لیست ها و آرایه ها [Python] - Lists and Arrays

• تمرین کدنویسی لیست های پایتون Python Lists Coding Exercise

• [Python & Pandas] - Dataframes و Series [Python & Pandas] - Dataframes and Series

• [Python] - واردات ماژول [Python] - Module Imports

• [Python] - توابع - قسمت 1: تعریف و فراخوانی توابع [Python] - Functions - Part 1: Defining and Calling Functions

• تمرین کدنویسی توابع پایتون - قسمت 1 Python Functions Coding Exercise - Part 1

• [Python] - توابع - قسمت 2: آرگومان ها و پارامترها [Python] - Functions - Part 2: Arguments & Parameters

• تمرین کدنویسی توابع پایتون - قسمت 2 Python Functions Coding Exercise - Part 2

• [Python] - توابع - قسمت 3: نتایج و مقادیر بازگشتی [Python] - Functions - Part 3: Results & Return Values

• تمرین کدنویسی توابع پایتون - قسمت 3 Python Functions Coding Exercise - Part 3

• [Python] - اشیا - درک ویژگی ها و روش ها [Python] - Objects - Understanding Attributes and Methods

• نحوه درک اسناد پایتون برای تجسم داده ها How to Make Sense of Python Documentation for Data Visualisation

• کار با اشیاء پایتون برای تجزیه و تحلیل داده ها Working with Python Objects to Analyse Data

• [Python] - نکات، سبک کد و قراردادهای نامگذاری [Python] - Tips, Code Style and Naming Conventions

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

مقدمه ای بر بهینه سازی و الگوریتم نزول گرادیان Introduction to Optimisation and the Gradient Descent Algorithm

• چه خبر است؟ What's Coming Up?

• چگونه یک ماشین یاد می گیرد How a Machine Learns

• مقدمه ای بر توابع هزینه Introduction to Cost Functions

• LaTeX Markdown و تولید داده با Numpy LaTeX Markdown and Generating Data with Numpy

• درک قانون قدرت و ایجاد نمودار با طرح های فرعی Understanding the Power Rule & Creating Charts with Subplots

• [Python] - حلقه ها و الگوریتم نزول گرادیان [Python] - Loops and the Gradient Descent Algorithm

• تمرین کدگذاری حلقه های پایتون Python Loops Coding Exercise

• [Python] - توابع پیشرفته و مشکلات بهینه سازی (قسمت 1) [Python] - Advanced Functions and the Pitfalls of Optimisation (Part 1)

• [Python] - Tuples and the Pitfalls of Optimization (قسمت 2) [Python] - Tuples and the Pitfalls of Optimisation (Part 2)

• درک میزان یادگیری Understanding the Learning Rate

• نحوه ایجاد نمودارهای سه بعدی How to Create 3-Dimensional Charts

• آشنایی با مشتقات جزئی و نحوه استفاده از SymPy Understanding Partial Derivatives and How to use SymPy

• پیاده سازی Batch Gradient Descent با SymPy Implementing Batch Gradient Descent with SymPy

• [Python] - حلقه ها و ملاحظات عملکرد [Python] - Loops and Performance Considerations

• تغییر شکل و برش آرایه های N بعدی Reshaping and Slicing N-Dimensional Arrays

• به هم پیوستن آرایه های Numpy Concatenating Numpy Arrays

• مقدمه ای بر میانگین مربعات خطا (MSE) Introduction to the Mean Squared Error (MSE)

• جابجایی و تغییر شکل آرایه ها Transposing and Reshaping Arrays

• اجرای تابع هزینه MSE Implementing a MSE Cost Function

• درک حلقه های تودرتو و ترسیم تابع MSE (قسمت 1) Understanding Nested Loops and Plotting the MSE Function (Part 1)

• رسم میانگین مربعات خطا (MSE) روی یک سطح (قسمت 2) Plotting the Mean Squared Error (MSE) on a Surface (Part 2)

• اجرای Gradient Descent با تابع هزینه MSE Running Gradient Descent with a MSE Cost Function

• تجسم بهینه سازی در یک سطح سه بعدی Visualising the Optimisation on a 3D Surface

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

مقدمه ای بر بهینه سازی و الگوریتم نزول گرادیان Introduction to Optimisation and the Gradient Descent Algorithm

• چه خبر است؟ What's Coming Up?

• چگونه یک ماشین یاد می گیرد How a Machine Learns

• مقدمه ای بر توابع هزینه Introduction to Cost Functions

• LaTeX Markdown و تولید داده با Numpy LaTeX Markdown and Generating Data with Numpy

• درک قانون قدرت و ایجاد نمودار با طرح های فرعی Understanding the Power Rule & Creating Charts with Subplots

• [Python] - حلقه ها و الگوریتم نزول گرادیان [Python] - Loops and the Gradient Descent Algorithm

• تمرین کدگذاری حلقه های پایتون Python Loops Coding Exercise

• [Python] - توابع پیشرفته و مشکلات بهینه سازی (قسمت 1) [Python] - Advanced Functions and the Pitfalls of Optimisation (Part 1)

• [Python] - Tuples and the Pitfalls of Optimization (قسمت 2) [Python] - Tuples and the Pitfalls of Optimisation (Part 2)

• درک میزان یادگیری Understanding the Learning Rate

• نحوه ایجاد نمودارهای سه بعدی How to Create 3-Dimensional Charts

• آشنایی با مشتقات جزئی و نحوه استفاده از SymPy Understanding Partial Derivatives and How to use SymPy

• پیاده سازی Batch Gradient Descent با SymPy Implementing Batch Gradient Descent with SymPy

• [Python] - حلقه ها و ملاحظات عملکرد [Python] - Loops and Performance Considerations

• تغییر شکل و برش آرایه های N بعدی Reshaping and Slicing N-Dimensional Arrays

• به هم پیوستن آرایه های Numpy Concatenating Numpy Arrays

• مقدمه ای بر میانگین مربعات خطا (MSE) Introduction to the Mean Squared Error (MSE)

• جابجایی و تغییر شکل آرایه ها Transposing and Reshaping Arrays

• اجرای تابع هزینه MSE Implementing a MSE Cost Function

• درک حلقه های تودرتو و ترسیم تابع MSE (قسمت 1) Understanding Nested Loops and Plotting the MSE Function (Part 1)

• رسم میانگین مربعات خطا (MSE) روی یک سطح (قسمت 2) Plotting the Mean Squared Error (MSE) on a Surface (Part 2)

• اجرای Gradient Descent با تابع هزینه MSE Running Gradient Descent with a MSE Cost Function

• تجسم بهینه سازی در یک سطح سه بعدی Visualising the Optimisation on a 3D Surface

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

پیش بینی قیمت خانه با رگرسیون خطی چند متغیره Predict House Prices with Multivariable Linear Regression

• تعریف مشکل Defining the Problem

• جمع آوری داده های قیمت خانه بوستون Gathering the Boston House Price Data

• پاک کردن و کاوش داده ها (قسمت 1): ماهیت مجموعه داده را درک کنید Clean and Explore the Data (Part 1): Understand the Nature of the Dataset

• پاک کردن و کاوش داده ها (قسمت 2): مقادیر گمشده را پیدا کنید Clean and Explore the Data (Part 2): Find Missing Values

• تجسم داده ها (قسمت 1): تاریخچه ها، توزیع ها و نقاط پرت Visualising Data (Part 1): Historams, Distributions & Outliers

• تجسم داده ها (قسمت 2): توابع دریائی و چگالی احتمال Visualising Data (Part 2): Seaborn and Probability Density Functions

• کار با داده های شاخص، سری پانداها و متغیرهای ساختگی Working with Index Data, Pandas Series, and Dummy Variables

• درک آمار توصیفی: میانگین در مقابل میانه Understanding Descriptive Statistics: the Mean vs the Median

• مقدمه ای بر همبستگی: درک قدرت و جهت Introduction to Correlation: Understanding Strength & Direction

• محاسبه همبستگی ها و مسئله ایجاد شده توسط چند خطی Calculating Correlations and the Problem posed by Multicollinearity

• تجسم همبستگی ها با یک نقشه حرارتی Visualising Correlations with a Heatmap

• تکنیک هایی برای سبک کردن طرح های پراکنده Techniques to Style Scatter Plots

• یادداشتی برای درس بعدی A Note for the Next Lesson

• کار با Seaborn Pairplots و تکنیک‌های Microbenchmarking Jupyter Working with Seaborn Pairplots & Jupyter Microbenchmarking Techniques

• آشنایی با رگرسیون چند متغیره Understanding Multivariable Regression

• نحوه مخلوط کردن و تقسیم داده های آموزشی و آزمایشی How to Shuffle and Split Training & Testing Data

• اجرای رگرسیون چند متغیره Running a Multivariable Regression

• نحوه محاسبه تناسب مدل با R-Squared How to Calculate the Model Fit with R-Squared

• مقدمه ای بر ارزیابی مدل Introduction to Model Evaluation

• بهبود مدل با تبدیل داده ها Improving the Model by Transforming the Data

• نحوه تفسیر ضرایب با استفاده از P-Values ​​و اهمیت آماری How to Interpret Coefficients using p-Values and Statistical Significance

• درک VIF و تست برای چند خطی Understanding VIF & Testing for Multicollinearity

• ساده‌سازی مدل و معیار اطلاعات بیزی Model Simplification & Baysian Information Criterion

• نحوه تجزیه و تحلیل و رسم پسماندهای رگرسیون How to Analyse and Plot Regression Residuals

• تجزیه و تحلیل باقیمانده (قسمت 1): پیش بینی شده در مقابل ارزش های واقعی Residual Analysis (Part 1): Predicted vs Actual Values

• تجزیه و تحلیل باقیمانده (قسمت 2): نمودار و مقایسه رگرسیون باقی مانده Residual Analysis (Part 2): Graphing and Comparing Regression Residuals

• ساخت پیش بینی (بخش 1): MSE & R-Squared Making Predictions (Part 1): MSE & R-Squared

• ساخت پیش بینی (بخش 2): انحراف استاندارد، RMSE و فواصل پیش بینی Making Predictions (Part 2): Standard Deviation, RMSE, and Prediction Intervals

• ساخت ابزار ارزش گذاری (قسمت 1): کار با سری Pandas و Numpy ndarrays Build a Valuation Tool (Part 1): Working with Pandas Series & Numpy ndarrays

• [Python] - بیانیه های شرطی - ساخت ابزار ارزش گذاری (قسمت 2) [Python] - Conditional Statements - Build a Valuation Tool (Part 2)

• تمرین کدگذاری بیانیه شرطی پایتون Python Conditional Statement Coding Exercise

• ساخت یک ابزار ارزش گذاری (قسمت 3): Docstrings و ایجاد ماژول پایتون خود Build a Valuation Tool (Part 3): Docstrings & Creating your own Python Module

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

پیش بینی قیمت خانه با رگرسیون خطی چند متغیره Predict House Prices with Multivariable Linear Regression

• تعریف مشکل Defining the Problem

• جمع آوری داده های قیمت خانه بوستون Gathering the Boston House Price Data

• پاک کردن و کاوش داده ها (قسمت 1): ماهیت مجموعه داده را درک کنید Clean and Explore the Data (Part 1): Understand the Nature of the Dataset

• پاک کردن و کاوش داده ها (قسمت 2): مقادیر گمشده را پیدا کنید Clean and Explore the Data (Part 2): Find Missing Values

• تجسم داده ها (قسمت 1): تاریخچه ها، توزیع ها و نقاط پرت Visualising Data (Part 1): Historams, Distributions & Outliers

• تجسم داده ها (قسمت 2): توابع دریائی و چگالی احتمال Visualising Data (Part 2): Seaborn and Probability Density Functions

• کار با داده های شاخص، سری پانداها و متغیرهای ساختگی Working with Index Data, Pandas Series, and Dummy Variables

• درک آمار توصیفی: میانگین در مقابل میانه Understanding Descriptive Statistics: the Mean vs the Median

• مقدمه ای بر همبستگی: درک قدرت و جهت Introduction to Correlation: Understanding Strength & Direction

• محاسبه همبستگی ها و مسئله ایجاد شده توسط چند خطی Calculating Correlations and the Problem posed by Multicollinearity

• تجسم همبستگی ها با یک نقشه حرارتی Visualising Correlations with a Heatmap

• تکنیک هایی برای سبک کردن طرح های پراکنده Techniques to Style Scatter Plots

• یادداشتی برای درس بعدی A Note for the Next Lesson

• کار با Seaborn Pairplots و تکنیک‌های Microbenchmarking Jupyter Working with Seaborn Pairplots & Jupyter Microbenchmarking Techniques

• آشنایی با رگرسیون چند متغیره Understanding Multivariable Regression

• نحوه مخلوط کردن و تقسیم داده های آموزشی و آزمایشی How to Shuffle and Split Training & Testing Data

• اجرای رگرسیون چند متغیره Running a Multivariable Regression

• نحوه محاسبه تناسب مدل با R-Squared How to Calculate the Model Fit with R-Squared

• مقدمه ای بر ارزیابی مدل Introduction to Model Evaluation

• بهبود مدل با تبدیل داده ها Improving the Model by Transforming the Data

• نحوه تفسیر ضرایب با استفاده از P-Values ​​و اهمیت آماری How to Interpret Coefficients using p-Values and Statistical Significance

• درک VIF و تست برای چند خطی Understanding VIF & Testing for Multicollinearity

• ساده‌سازی مدل و معیار اطلاعات بیزی Model Simplification & Baysian Information Criterion

• نحوه تجزیه و تحلیل و رسم پسماندهای رگرسیون How to Analyse and Plot Regression Residuals

• تجزیه و تحلیل باقیمانده (قسمت 1): پیش بینی شده در مقابل ارزش های واقعی Residual Analysis (Part 1): Predicted vs Actual Values

• تجزیه و تحلیل باقیمانده (قسمت 2): نمودار و مقایسه رگرسیون باقی مانده Residual Analysis (Part 2): Graphing and Comparing Regression Residuals

• ساخت پیش بینی (بخش 1): MSE & R-Squared Making Predictions (Part 1): MSE & R-Squared

• ساخت پیش بینی (بخش 2): انحراف استاندارد، RMSE و فواصل پیش بینی Making Predictions (Part 2): Standard Deviation, RMSE, and Prediction Intervals

• ساخت ابزار ارزش گذاری (قسمت 1): کار با سری Pandas و Numpy ndarrays Build a Valuation Tool (Part 1): Working with Pandas Series & Numpy ndarrays

• [Python] - بیانیه های شرطی - ساخت ابزار ارزش گذاری (قسمت 2) [Python] - Conditional Statements - Build a Valuation Tool (Part 2)

• تمرین کدگذاری بیانیه شرطی پایتون Python Conditional Statement Coding Exercise

• ساخت یک ابزار ارزش گذاری (قسمت 3): Docstrings و ایجاد ماژول پایتون خود Build a Valuation Tool (Part 3): Docstrings & Creating your own Python Module

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

پیش پردازش داده های متنی برای یک طبقه بندی کننده ساده بیز برای فیلتر کردن ایمیل های هرزنامه: قسمت 1 Pre-Process Text Data for a Naive Bayes Classifier to Filter Spam Emails: Part 1

• چگونه یک مشکل تجاری را به یک مشکل یادگیری ماشینی تبدیل کنیم How to Translate a Business Problem into a Machine Learning Problem

• جمع آوری داده های ایمیل و کار با آرشیوها و ویرایشگرهای متن Gathering Email Data and Working with Archives & Text Editors

• نحوه اضافه کردن منابع درس به پروژه How to Add the Lesson Resources to the Project

• الگوریتم ساده بیز و مرز تصمیم برای یک طبقه بندی کننده The Naive Bayes Algorithm and the Decision Boundary for a Classifier

• احتمال پایه Basic Probability

• احتمال مشترک و مشروط Joint & Conditional Probability

• قضیه بیز Bayes Theorem

• خواندن فایل ها (قسمت اول): مسیرهای مطلق و مسیرهای نسبی Reading Files (Part 1): Absolute Paths and Relative Paths

• خواندن فایل ها (قسمت 2): جریان اشیاء و ساختار ایمیل Reading Files (Part 2): Stream Objects and Email Structure

• استخراج متن در متن ایمیل Extracting the Text in the Email Body

• [Python] - توابع ژنراتور و کلمه کلیدی بازده [Python] - Generator Functions & the yield Keyword

• یک Pandas DataFrame از بدنه های ایمیل ایجاد کنید Create a Pandas DataFrame of Email Bodies

• پاک کردن داده ها (قسمت 1): ایمیل های خالی و ورودی های خالی را بررسی کنید Cleaning Data (Part 1): Check for Empty Emails & Null Entries

• پاک کردن داده ها (قسمت 2): کار با یک شاخص DataFrame Cleaning Data (Part 2): Working with a DataFrame Index

• ذخیره یک فایل JSON با پانداها Saving a JSON File with Pandas

• تجسم داده ها (قسمت 1): نمودارهای دایره ای Data Visualisation (Part 1): Pie Charts

• تجسم داده ها (قسمت 2): نمودارهای دونات Data Visualisation (Part 2): Donut Charts

• مقدمه ای بر پردازش زبان طبیعی (NLP) Introduction to Natural Language Processing (NLP)

• توکن سازی، حذف کلمات توقف و ساختار داده مجموعه پایتون Tokenizing, Removing Stop Words and the Python Set Data Structure

• ریشه یابی کلمات و حذف علائم نقطه گذاری Word Stemming & Removing Punctuation

• حذف تگ های HTML با BeautifulSoup Removing HTML tags with BeautifulSoup

• ایجاد یک تابع برای پردازش متن Creating a Function for Text Processing

• یادداشتی برای درس بعدی A Note for the Next Lesson

• زیرمجموعه پیشرفته در DataFrames: تابع apply(). Advanced Subsetting on DataFrames: the apply() Function

• [Python] - عملگرهای منطقی برای ایجاد زیرمجموعه ها و شاخص ها [Python] - Logical Operators to Create Subsets and Indices

• ابرهای ورد و نحوه نصب بسته های اضافی پایتون Word Clouds & How to install Additional Python Packages

• ایجاد اولین ابر کلمه خود Creating your First Word Cloud

• سبک دادن به ابر کلمه با ماسک Styling the Word Cloud with a Mask

• حل چالش هملت Solving the Hamlet Challenge

• یک ظاهر طراحی ابرهای کلمه با فونت های سفارشی Styling Word Clouds with Custom Fonts

• واژگانی را برای طبقه‌بندی کننده هرزنامه ایجاد کنید Create the Vocabulary for the Spam Classifier

• چالش کدنویسی: عضویت در یک مجموعه را بررسی کنید Coding Challenge: Check for Membership in a Collection

• چالش کدنویسی: طولانی ترین ایمیل را پیدا کنید Coding Challenge: Find the Longest Email

• ماتریس پراکنده (قسمت 1): داده های آموزشی و آزمایشی را تقسیم کنید Sparse Matrix (Part 1): Split the Training and Testing Data

• ماتریس پراکنده (قسمت 2): مانگینگ داده با حلقه های تودرتو Sparse Matrix (Part 2): Data Munging with Nested Loops

• Sparse Matrix (قسمت 3): استفاده از groupby() و ذخیره فایل‌های txt. Sparse Matrix (Part 3): Using groupby() and Saving .txt Files

• راه حل چالش کدگذاری: آماده سازی داده های آزمون Coding Challenge Solution: Preparing the Test Data

• چک پوینت: درک داده ها Checkpoint: Understanding the Data

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

پیش پردازش داده های متنی برای یک طبقه بندی کننده ساده بیز برای فیلتر کردن ایمیل های هرزنامه: قسمت 1 Pre-Process Text Data for a Naive Bayes Classifier to Filter Spam Emails: Part 1

• چگونه یک مشکل تجاری را به یک مشکل یادگیری ماشینی تبدیل کنیم How to Translate a Business Problem into a Machine Learning Problem

• جمع آوری داده های ایمیل و کار با آرشیوها و ویرایشگرهای متن Gathering Email Data and Working with Archives & Text Editors

• نحوه اضافه کردن منابع درس به پروژه How to Add the Lesson Resources to the Project

• الگوریتم ساده بیز و مرز تصمیم برای یک طبقه بندی کننده The Naive Bayes Algorithm and the Decision Boundary for a Classifier

• احتمال پایه Basic Probability

• احتمال مشترک و مشروط Joint & Conditional Probability

• قضیه بیز Bayes Theorem

• خواندن فایل ها (قسمت اول): مسیرهای مطلق و مسیرهای نسبی Reading Files (Part 1): Absolute Paths and Relative Paths

• خواندن فایل ها (قسمت 2): جریان اشیاء و ساختار ایمیل Reading Files (Part 2): Stream Objects and Email Structure

• استخراج متن در متن ایمیل Extracting the Text in the Email Body

• [Python] - توابع ژنراتور و کلمه کلیدی بازده [Python] - Generator Functions & the yield Keyword

• یک Pandas DataFrame از بدنه های ایمیل ایجاد کنید Create a Pandas DataFrame of Email Bodies

• پاک کردن داده ها (قسمت 1): ایمیل های خالی و ورودی های خالی را بررسی کنید Cleaning Data (Part 1): Check for Empty Emails & Null Entries

• پاک کردن داده ها (قسمت 2): کار با یک شاخص DataFrame Cleaning Data (Part 2): Working with a DataFrame Index

• ذخیره یک فایل JSON با پانداها Saving a JSON File with Pandas

• تجسم داده ها (قسمت 1): نمودارهای دایره ای Data Visualisation (Part 1): Pie Charts

• تجسم داده ها (قسمت 2): نمودارهای دونات Data Visualisation (Part 2): Donut Charts

• مقدمه ای بر پردازش زبان طبیعی (NLP) Introduction to Natural Language Processing (NLP)

• توکن سازی، حذف کلمات توقف و ساختار داده مجموعه پایتون Tokenizing, Removing Stop Words and the Python Set Data Structure

• ریشه یابی کلمات و حذف علائم نقطه گذاری Word Stemming & Removing Punctuation

• حذف تگ های HTML با BeautifulSoup Removing HTML tags with BeautifulSoup

• ایجاد یک تابع برای پردازش متن Creating a Function for Text Processing

• یادداشتی برای درس بعدی A Note for the Next Lesson

• زیرمجموعه پیشرفته در DataFrames: تابع apply(). Advanced Subsetting on DataFrames: the apply() Function

• [Python] - عملگرهای منطقی برای ایجاد زیرمجموعه ها و شاخص ها [Python] - Logical Operators to Create Subsets and Indices

• ابرهای ورد و نحوه نصب بسته های اضافی پایتون Word Clouds & How to install Additional Python Packages

• ایجاد اولین ابر کلمه خود Creating your First Word Cloud

• سبک دادن به ابر کلمه با ماسک Styling the Word Cloud with a Mask

• حل چالش هملت Solving the Hamlet Challenge

• یک ظاهر طراحی ابرهای کلمه با فونت های سفارشی Styling Word Clouds with Custom Fonts

• واژگانی را برای طبقه‌بندی کننده هرزنامه ایجاد کنید Create the Vocabulary for the Spam Classifier

• چالش کدنویسی: عضویت در یک مجموعه را بررسی کنید Coding Challenge: Check for Membership in a Collection

• چالش کدنویسی: طولانی ترین ایمیل را پیدا کنید Coding Challenge: Find the Longest Email

• ماتریس پراکنده (قسمت 1): داده های آموزشی و آزمایشی را تقسیم کنید Sparse Matrix (Part 1): Split the Training and Testing Data

• ماتریس پراکنده (قسمت 2): مانگینگ داده با حلقه های تودرتو Sparse Matrix (Part 2): Data Munging with Nested Loops

• Sparse Matrix (قسمت 3): استفاده از groupby() و ذخیره فایل‌های txt. Sparse Matrix (Part 3): Using groupby() and Saving .txt Files

• راه حل چالش کدگذاری: آماده سازی داده های آزمون Coding Challenge Solution: Preparing the Test Data

• چک پوینت: درک داده ها Checkpoint: Understanding the Data

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

یک طبقه‌بندی کننده ساده بیز را برای ایجاد فیلتر هرزنامه آموزش دهید: قسمت 2 Train a Naive Bayes Classifier to Create a Spam Filter: Part 2

• راه اندازی نوت بوک و درک جداکننده ها در یک مجموعه داده Setting up the Notebook and Understanding Delimiters in a Dataset

• یک ماتریس کامل ایجاد کنید Create a Full Matrix

• برای آموزش مدل ساده بیز، توکن ها را بشمارید Count the Tokens to Train the Naive Bayes Model

• توکن‌ها را در زیرمجموعه‌های هرزنامه و Ham جمع کنید Sum the Tokens across the Spam and Ham Subsets

• احتمالات توکن را محاسبه کنید و مدل آموزش دیده را ذخیره کنید Calculate the Token Probabilities and Save the Trained Model

• چالش کدگذاری: داده های آزمون را آماده کنید Coding Challenge: Prepare the Test Data

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

یک طبقه‌بندی کننده ساده بیز را برای ایجاد فیلتر هرزنامه آموزش دهید: قسمت 2 Train a Naive Bayes Classifier to Create a Spam Filter: Part 2

• راه اندازی نوت بوک و درک جداکننده ها در یک مجموعه داده Setting up the Notebook and Understanding Delimiters in a Dataset

• یک ماتریس کامل ایجاد کنید Create a Full Matrix

• برای آموزش مدل ساده بیز، توکن ها را بشمارید Count the Tokens to Train the Naive Bayes Model

• توکن‌ها را در زیرمجموعه‌های هرزنامه و Ham جمع کنید Sum the Tokens across the Spam and Ham Subsets

• احتمالات توکن را محاسبه کنید و مدل آموزش دیده را ذخیره کنید Calculate the Token Probabilities and Save the Trained Model

• چالش کدگذاری: داده های آزمون را آماده کنید Coding Challenge: Prepare the Test Data

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

تست و ارزیابی یک طبقه بندی کننده ساده لوح بیز: قسمت 3 Test and Evaluate a Naive Bayes Classifier: Part 3

• دفترچه تست را تنظیم کنید Set up the Testing Notebook

• احتمال مشروط مشترک (قسمت 1): محصول نقطه ای Joint Conditional Probability (Part 1): Dot Product

• احتمال مشروط مشترک (قسمت 2): پیشینیان Joint Conditional Probablity (Part 2): Priors

• ساخت پیش بینی: مقایسه احتمالات مشترک Making Predictions: Comparing Joint Probabilities

• متریک دقت The Accuracy Metric

• تجسم مرز تصمیم Visualising the Decision Boundary

• مثبت کاذب در مقابل منفی کاذب False Positive vs False Negatives

• متریک فراخوان The Recall Metric

• متریک دقیق The Precision Metric

• امتیاز F یا متریک F1 The F-score or F1 Metric

• پیاده سازی ساده بیز با استفاده از SciKit Learn A Naive Bayes Implementation using SciKit Learn

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

تست و ارزیابی یک طبقه بندی کننده ساده لوح بیز: قسمت 3 Test and Evaluate a Naive Bayes Classifier: Part 3

• دفترچه تست را تنظیم کنید Set up the Testing Notebook

• احتمال مشروط مشترک (قسمت 1): محصول نقطه ای Joint Conditional Probability (Part 1): Dot Product

• احتمال مشروط مشترک (قسمت 2): پیشینیان Joint Conditional Probablity (Part 2): Priors

• ساخت پیش بینی: مقایسه احتمالات مشترک Making Predictions: Comparing Joint Probabilities

• متریک دقت The Accuracy Metric

• تجسم مرز تصمیم Visualising the Decision Boundary

• مثبت کاذب در مقابل منفی کاذب False Positive vs False Negatives

• متریک فراخوان The Recall Metric

• متریک دقیق The Precision Metric

• امتیاز F یا متریک F1 The F-score or F1 Metric

• پیاده سازی ساده بیز با استفاده از SciKit Learn A Naive Bayes Implementation using SciKit Learn

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

مقدمه ای بر شبکه های عصبی و نحوه استفاده از مدل های از پیش آموزش دیده Introduction to Neural Networks and How to Use Pre-Trained Models

• مغز انسان و الهام برای شبکه های عصبی مصنوعی The Human Brain and the Inspiration for Artificial Neural Networks

• لایه ها، تولید ویژگی و یادگیری Layers, Feature Generation and Learning

• هزینه ها و معایب شبکه های عصبی Costs and Disadvantages of Neural Networks

• پیش پردازش داده های تصویر و نحوه عملکرد RGB Preprocessing Image Data and How RGB Works

• وارد کردن مدل‌های کراس و نمودار تنسورفلو Importing Keras Models and the Tensorflow Graph

• پیش بینی با استفاده از InceptionResNet Making Predictions using InceptionResNet

• راه حل چالش کدنویسی: استفاده از مدل های دیگر Keras Coding Challenge Solution: Using other Keras Models

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

مقدمه ای بر شبکه های عصبی و نحوه استفاده از مدل های از پیش آموزش دیده Introduction to Neural Networks and How to Use Pre-Trained Models

• مغز انسان و الهام برای شبکه های عصبی مصنوعی The Human Brain and the Inspiration for Artificial Neural Networks

• لایه ها، تولید ویژگی و یادگیری Layers, Feature Generation and Learning

• هزینه ها و معایب شبکه های عصبی Costs and Disadvantages of Neural Networks

• پیش پردازش داده های تصویر و نحوه عملکرد RGB Preprocessing Image Data and How RGB Works

• وارد کردن مدل‌های کراس و نمودار تنسورفلو Importing Keras Models and the Tensorflow Graph

• پیش بینی با استفاده از InceptionResNet Making Predictions using InceptionResNet

• راه حل چالش کدنویسی: استفاده از مدل های دیگر Keras Coding Challenge Solution: Using other Keras Models

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

یک شبکه عصبی مصنوعی برای تشخیص تصاویر با استفاده از Keras و Tensorflow بسازید Build an Artificial Neural Network to Recognise Images using Keras & Tensorflow

• حل یک مشکل تجاری با طبقه بندی تصاویر Solving a Business Problem with Image Classification

• نصب Tensorflow و Keras برای Jupyter Installing Tensorflow and Keras for Jupyter

• جمع آوری مجموعه داده CIFAR 10 Gathering the CIFAR 10 Dataset

• کاوش در داده های CIFAR Exploring the CIFAR Data

• پیش پردازش: مقیاس گذاری ورودی ها و ایجاد مجموعه داده اعتبارسنجی Pre-processing: Scaling Inputs and Creating a Validation Dataset

• تدوین یک مدل کراس و درک تابع از دست دادن آنتروپی متقاطع Compiling a Keras Model and Understanding the Cross Entropy Loss Function

• تعامل با سیستم عامل و بلوک Try-Catch پایتون Interacting with the Operating System and the Python Try-Catch Block

• یک مدل Keras را بچینید و از Tensorboard برای تجسم یادگیری و حل مشکلات استفاده کنید Fit a Keras Model and Use Tensorboard to Visualise Learning and Spot Problems

• از منظم سازی برای جلوگیری از نصب بیش از حد استفاده کنید: تکنیک های توقف زودهنگام و ترک خروج Use Regularisation to Prevent Overfitting: Early Stopping & Dropout Techniques

• از مدل برای پیش بینی استفاده کنید Use the Model to Make Predictions

• ارزیابی مدل و ماتریس سردرگمی Model Evaluation and the Confusion Matrix

• ارزیابی مدل و ماتریس سردرگمی Model Evaluation and the Confusion Matrix

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

یک شبکه عصبی مصنوعی برای تشخیص تصاویر با استفاده از Keras و Tensorflow بسازید Build an Artificial Neural Network to Recognise Images using Keras & Tensorflow

• حل یک مشکل تجاری با طبقه بندی تصاویر Solving a Business Problem with Image Classification

• نصب Tensorflow و Keras برای Jupyter Installing Tensorflow and Keras for Jupyter

• جمع آوری مجموعه داده CIFAR 10 Gathering the CIFAR 10 Dataset

• کاوش در داده های CIFAR Exploring the CIFAR Data

• پیش پردازش: مقیاس گذاری ورودی ها و ایجاد مجموعه داده اعتبارسنجی Pre-processing: Scaling Inputs and Creating a Validation Dataset

• تدوین یک مدل کراس و درک تابع از دست دادن آنتروپی متقاطع Compiling a Keras Model and Understanding the Cross Entropy Loss Function

• تعامل با سیستم عامل و بلوک Try-Catch پایتون Interacting with the Operating System and the Python Try-Catch Block

• یک مدل Keras را بچینید و از Tensorboard برای تجسم یادگیری و حل مشکلات استفاده کنید Fit a Keras Model and Use Tensorboard to Visualise Learning and Spot Problems

• از منظم سازی برای جلوگیری از نصب بیش از حد استفاده کنید: تکنیک های توقف زودهنگام و ترک خروج Use Regularisation to Prevent Overfitting: Early Stopping & Dropout Techniques

• از مدل برای پیش بینی استفاده کنید Use the Model to Make Predictions

• ارزیابی مدل و ماتریس سردرگمی Model Evaluation and the Confusion Matrix

• ارزیابی مدل و ماتریس سردرگمی Model Evaluation and the Confusion Matrix

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

از Tensorflow برای طبقه بندی ارقام دست نویس استفاده کنید Use Tensorflow to Classify Handwritten Digits

• چه خبر است؟ What's coming up?

• دریافت داده و بارگذاری آن در Numpy Arrays Getting the Data and Loading it into Numpy Arrays

• کاوش داده ها و درک ساختار داده های ورودی Data Exploration and Understanding the Structure of the Input Data

• پیش پردازش داده ها: رمزگذاری یکباره و ایجاد مجموعه داده اعتبارسنجی Data Preprocessing: One-Hot Encoding and Creating the Validation Dataset

• تانسور چیست؟ What is a Tensor?

• ایجاد تانسورها و راه اندازی معماری شبکه عصبی Creating Tensors and Setting up the Neural Network Architecture

• تعریف تابع ضرر آنتروپی متقاطع، بهینه ساز و متریک Defining the Cross Entropy Loss Function, the Optimizer and the Metrics

• TensorFlow Sessions and Batching Data TensorFlow Sessions and Batching Data

• خلاصه‌های تنسوربرد و فایل‌نویس Tensorboard Summaries and the Filewriter

• درک نمودار Tensorflow: گره ها و لبه ها Understanding the Tensorflow Graph: Nodes and Edges

• محدوده نام و تجسم تصویر در Tensorboard Name Scoping and Image Visualisation in Tensorboard

• معماری مدل های مختلف: آزمایش با Dropout Different Model Architectures: Experimenting with Dropout

• پیش بینی و ارزیابی مدل Prediction and Model Evaluation

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

از Tensorflow برای طبقه بندی ارقام دست نویس استفاده کنید Use Tensorflow to Classify Handwritten Digits

• چه خبر است؟ What's coming up?

• دریافت داده و بارگذاری آن در Numpy Arrays Getting the Data and Loading it into Numpy Arrays

• کاوش داده ها و درک ساختار داده های ورودی Data Exploration and Understanding the Structure of the Input Data

• پیش پردازش داده ها: رمزگذاری یکباره و ایجاد مجموعه داده اعتبارسنجی Data Preprocessing: One-Hot Encoding and Creating the Validation Dataset

• تانسور چیست؟ What is a Tensor?

• ایجاد تانسورها و راه اندازی معماری شبکه عصبی Creating Tensors and Setting up the Neural Network Architecture

• تعریف تابع ضرر آنتروپی متقاطع، بهینه ساز و متریک Defining the Cross Entropy Loss Function, the Optimizer and the Metrics

• TensorFlow Sessions and Batching Data TensorFlow Sessions and Batching Data

• خلاصه‌های تنسوربرد و فایل‌نویس Tensorboard Summaries and the Filewriter

• درک نمودار Tensorflow: گره ها و لبه ها Understanding the Tensorflow Graph: Nodes and Edges

• محدوده نام و تجسم تصویر در Tensorboard Name Scoping and Image Visualisation in Tensorboard

• معماری مدل های مختلف: آزمایش با Dropout Different Model Architectures: Experimenting with Dropout

• پیش بینی و ارزیابی مدل Prediction and Model Evaluation

• دفترچه یادداشت کامل را از اینجا دانلود کنید Download the Complete Notebook Here

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

ارائه یک مدل Tensorflow از طریق یک وب سایت Serving a Tensorflow Model through a Website

• چیزی که خواهی ساخت What you'll make

• صرفه جویی در مدل های تنسورفلو Saving Tensorflow Models

• بارگیری یک مدل ذخیره شده Loading a SavedModel

• تبدیل یک مدل به Tensorflow.js Converting a Model to Tensorflow.js

• معرفی پروژه و ابزار وب سایت Introducing the Website Project and Tooling

• استایل HTML و CSS HTML and CSS Styling

• بارگیری یک مدل Tensorflow.js و راه اندازی سرور خود Loading a Tensorflow.js Model and Starting your own Server

• افزودن فاویکون Adding a Favicon

• استایل دادن به بوم HTML Styling an HTML Canvas

• طراحی روی بوم HTML Drawing on an HTML Canvas

• پیش پردازش داده برای Tensorflow.js Data Pre-Processing for Tensorflow.js

• مقدمه ای بر OpenCV Introduction to OpenCV

• تغییر اندازه و اضافه کردن padding به تصاویر Resizing and Adding Padding to Images

• محاسبه مرکز جرم و جابجایی تصویر Calculating the Centre of Mass and Shifting the Image

• ایجاد یک پیش بینی از یک رقم ترسیم شده بر روی بوم HTML Making a Prediction from a Digit drawn on the HTML Canvas

• اضافه کردن منطق بازی Adding the Game Logic

• وب سایت خود را منتشر و به اشتراک بگذارید! Publish and Share your Website!

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

ارائه یک مدل Tensorflow از طریق یک وب سایت Serving a Tensorflow Model through a Website

• چیزی که خواهی ساخت What you'll make

• صرفه جویی در مدل های تنسورفلو Saving Tensorflow Models

• بارگیری یک مدل ذخیره شده Loading a SavedModel

• تبدیل یک مدل به Tensorflow.js Converting a Model to Tensorflow.js

• معرفی پروژه و ابزار وب سایت Introducing the Website Project and Tooling

• استایل HTML و CSS HTML and CSS Styling

• بارگیری یک مدل Tensorflow.js و راه اندازی سرور خود Loading a Tensorflow.js Model and Starting your own Server

• افزودن فاویکون Adding a Favicon

• استایل دادن به بوم HTML Styling an HTML Canvas

• طراحی روی بوم HTML Drawing on an HTML Canvas

• پیش پردازش داده برای Tensorflow.js Data Pre-Processing for Tensorflow.js

• مقدمه ای بر OpenCV Introduction to OpenCV

• تغییر اندازه و اضافه کردن padding به تصاویر Resizing and Adding Padding to Images

• محاسبه مرکز جرم و جابجایی تصویر Calculating the Centre of Mass and Shifting the Image

• ایجاد یک پیش بینی از یک رقم ترسیم شده بر روی بوم HTML Making a Prediction from a Digit drawn on the HTML Canvas

• اضافه کردن منطق بازی Adding the Game Logic

• وب سایت خود را منتشر و به اشتراک بگذارید! Publish and Share your Website!

• بازخوردی در مورد این بخش دارید؟ Any Feedback on this Section?

مراحل بعدی Next Steps

• بعد کجا؟ Where next?

• چه ماژول هایی را می خواهید ببینید؟ What Modules Do You Want to See?

• در تماس باش! Stay in Touch!

مراحل بعدی Next Steps

• بعد کجا؟ Where next?

• چه ماژول هایی را می خواهید ببینید؟ What Modules Do You Want to See?

• در تماس باش! Stay in Touch!