آموزش جبر خطی برای علوم داده و یادگیری ماشین - آخرین آپدیت

دانلود Linear Algebra for Data Science and Machine Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: اصول جبر خطی را بیاموزید و آن‌ها را در هوش مصنوعی و علوم داده به کار بگیرید درک اهمیت جبر خطی برای علوم داده و یادگیری ماشین بررسی مفاهیم بنیادی مانند اسکالرها، بردارها، ماتریس‌ها و تنسورها نمایش داده‌ها و حل سیستم‌های خطی با استفاده از روش‌های جبری شناسایی ویژگی‌های کلیدی و انجام عملیات‌های ضروری با بردارها و ماتریس‌ها تسلط بر تبدیلات خطی (مانند مقیاس‌بندی، دوران و برش) محاسبه بردارها و مقادیر ویژه و به‌کارگیری تجزیه ماتریس (Eigendecomposition, SVD) پیاده‌سازی تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد برنامه‌نویسی عملیات جبر خطی در پایتون با استفاده از کتابخانه‌های تخصصی (مانند NumPy و SciPy) به‌کارگیری جبر خطی در کاربردهای واقعی یادگیری ماشین تقویت یادگیری از طریق تمرینات تئوری و چالش‌های عملی پیش نیازها: دانش مقدماتی پایتون (ساختارهای داده، توابع و کار با آرایه‌ها) مهارت‌های پایه ریاضی (عملیات اصلی و کار با معادلات) عدم نیاز به تجربه قبلی در جبر خطی پیشرفته

جبر خطی یکی از ارکان ضروری برای هر کسی است که قصد فعالیت در علوم داده و هوش مصنوعی را دارد. چه در مدیریت مجموعه‌داده‌های بزرگ، چه در ساخت مدل‌های پیش‌بینی یا پیاده‌سازی الگوریتم‌های یادگیری ماشین، درک عمیق این حوزه ریاضیاتی اجتناب‌ناپذیر است. این دوره به گونه‌ای طراحی شده است که رویکردی بصری و کاربردی را برای مهم‌ترین مفاهیم ارائه دهد و تئوری را با پیاده‌سازی‌های پایتونی ترکیب کند تا یادگیری شما از طریق اجرا حاصل شود. 

این دوره به شش بخش تقسیم شده است که هر کدام جنبه‌ای بنیادی از جبر خطی را پوشش می‌دهد. ما با معرفی مفاهیم اصلی شروع می‌کنیم و اهمیت این رشته و ارتباط آن با علوم داده و یادگیری ماشین را توضیح می‌دهیم. در اینجا مواردی مانند اسکالرها، بردارها، ماتریس‌ها و تنسورها را بررسی کرده و کتابخانه‌های لازم پایتون را نصب می‌کنیم. همچنین نمایش داده‌ها و نحوه استفاده از سیستم‌های خطی برای حل مسائل ریاضی را بررسی خواهیم کرد. 

در بخش دوم، عمیق‌تر به بررسی بردارها، ویژگی‌ها و کاربردهای آن‌ها می‌پردازیم. بردارها اجزای بنیادی در دستکاری داده‌ها، مقیاس‌بندی ویژگی‌ها و حتی تعریف فضاهای چندبعدی مورد استفاده در مدل‌های پیش‌بینی هستند. شما با نرم‌ها، بردارهای واحد، بردارهای متعامد و orthonormal آشنا شده و این ساختارها را به صورت بصری از طریق نمودارها مشاهده خواهید کرد. 

سپس به سراغ ماتریس‌ها می‌رویم که به طور گسترده برای نمایش داده‌ها و پردازش حجم زیادی از اطلاعات استفاده می‌شوند. ما ویژگی‌های کلیدی ماتریس، نرم‌ها، ترانهاده، معکوس و تجزیه‌های ضروری برای کاربردهای مختلف را پوشش خواهیم داد. این مفاهیم برای شبکه‌های عصبی، رگرسیون‌های خطی و تکنیک‌های کاهش ابعاد حیاتی هستند. 

بخش چهارم بر عملیات مربوط به بردارها و ماتریس‌ها تمرکز دارد. ما ضرب ماتریسی، ضرب داخلی و خارجی، عملیات کاهش و قانون کسینوس را مطالعه می‌کنیم؛ ابزارهایی ضروری برای محاسبه شباهت داده‌ها و دستکاری بهینه ساختارهای ریاضی. 

سپس به سراغ تبدیلات خطی می‌رویم که مفهومی کلیدی برای بسیاری از کاربردهای پیشرفته یادگیری ماشین است. بررسی می‌کنیم که چگونه ماتریس‌ها عملیاتی مانند انعکاس، مقیاس‌بندی، دوران و برش را ممکن می‌سازند و همزمان با بردارهای ویژه، مقادیر ویژه و تجزیه ماتریس آشنا می‌شویم. تکنیک‌هایی مانند Eigendecomposition، تجزیه مقادیر مفرد (SVD) و تحلیل مؤلفه‌های اصلی (PCA) در اینجا بررسی می‌شوند که ابزارهایی ضروری برای فشرده‌سازی داده‌ها و حذف افزونگی در مدل‌های یادگیری هستند. 

در نهایت، بخش ششم به طور کامل به کاربردهای عملی جبر خطی در علوم داده و هوش مصنوعی اختصاص دارد. ما سیستم‌های خطی را پیاده‌سازی می‌کنیم، بررسی می‌کنیم که شبکه‌های عصبی چگونه از این مفاهیم ریاضی بهره می‌برند، عمیق‌تر به Eigendecomposition و SVD می‌پردازیم و PCA را برای تحلیل و کاهش ابعاد به کار می‌گیریم. همچنین با تکنیک‌های اندازه‌گیری شباهت در داده‌های ساختاریافته کار خواهیم کرد تا مطمئن شویم می‌توانید از این دانش برای حل مسائل واقعی استفاده کنید. این بخش با تمریناتی برای تثبیت یادگیری به پایان می‌رسد. 

در پایان این دوره، تسلط بالایی بر جبر خطی کاربردی در علوم داده و یادگیری ماشین خواهید داشت و نه تنها تئوری، بلکه پیاده‌سازی آن در پایتون را نیز فرا خواهید گرفت. اگر هدف شما ایجاد یک پایه ریاضی مستحکم برای فعالیت حرفه‌ای در حوزه هوش مصنوعی و داده است، این دوره گامی ضروری در مسیر شماست.


سرفصل ها و درس ها

مقدمه Introduction

  • محتوای دوره Course content

  • منابع دوره Course materials

مفاهیم پایه Basic concepts

  • تعریف Definition

  • معادله خطی Linear equation

  • اسکالرها، بردارها، ماتریس‌ها و تنسورها Scalars, vectors, matrices, and tensors

  • نصب کتابخانه‌ها Installing the libraries

  • پیاده‌سازی اسکالرها و بردارها Scalars and vectors - implementation

  • پیاده‌سازی ماتریس‌ها و تنسورها Matrices and tensors - implementation

  • درک شهودی سیستم‌های خطی Linear systems - intuition

  • پیاده‌سازی سیستم‌های خطی Linear systems - implementation

  • درک شهودی نمایش داده‌ها ۱ Data representation - intuition 1

  • درک شهودی نمایش داده‌ها ۲ Data representation - intuition 2

  • پیاده‌سازی نمایش داده‌ها ۱ Data representation - implementation 1

  • پیاده‌سازی نمایش داده‌ها ۲ Data representation - implementation 2

  • پرسش و پاسخ Questions

بردارها Vectors

  • ویژگی‌ها ۱ Properties 1

  • ویژگی‌ها ۲ Properties 2

  • رسم نمودارها Plotting

  • نرم‌ها Norms

  • منظم‌سازی (Regularization) Regularization

  • بردار پایه و واحد Base and unit vector

  • بردار ترانهاده Transposed vector

  • بردار متعامد و orthonormal Orthogonal and orthonormal vector

  • پرسش و پاسخ Questions

ماتریس‌ها Matrices

  • ویژگی‌ها ۱ Properties 1

  • ویژگی‌ها ۲ Properties 2

  • نرم‌ها Norms

  • ماتریس ترانهاده و متقارن Transposed and symmetric matrix

  • ماتریس قطری و معکوس Diagonal and inverse matrix

  • ماتریس معکوس Inverse matrix

  • دترمینان Determinant

  • ماتریس متعامد Orthogonal matrix

  • پرسش و پاسخ Questions

عملیات‌ها Operations

  • عملیات‌ها ۱ Operations 1

  • عملیات‌ها ۲ Operations 2

  • عملیات با اسکالرها Operations with scalars

  • عملیات کاهش Reduction operations

  • عملیات عنصر به عنصر Element by element

  • ضرب ماتریسی Matrix multiplication

  • ضرب داخلی Dot product

  • قانون کسینوس Cosine rule

  • پرسش و پاسخ Questions

تبدیلات Transformations

  • تبدیلات ۱ Transformations 1

  • تبدیلات ۲ Transformations 2

  • تبدیلات ۳ Transformations 3

  • ماتریس‌های انعکاس و مقیاس Reflection and scale matrices

  • ماتریس‌های برش و دوران Shearing and rotation matrices

  • دترمینان‌ها Determinants

  • ماتریس‌های معکوس و سیستم‌های خطی Inverse matrices and linear systems

  • بردارهای ویژه و مقادیر ویژه ۱ Eigenvectors and eigenvalues 1

  • بردارهای ویژه و مقادیر ویژه ۲ Eigenvectors and eigenvalues 2

  • تجزیه مقادیر ویژه (Eigendecomposition) Eigendecomposition

  • تجزیه مقادیر مفرد (SVD) Singular value decomposition (SVD)

  • شبه‌معکوس مور-پنروز Moore-Penrose pseudoinverse

  • تحلیل مؤلفه‌های اصلی (PCA) Principal component analysis (PCA)

  • پرسش و پاسخ Questions

کاربردها Applications

  • درک شهودی سیستم خطی Linear system - intuition

  • پیاده‌سازی سیستم خطی Linear system - implementation

  • درک شهودی شبکه عصبی Neural network - intuition

  • پیاده‌سازی شبکه عصبی Neural network - implementation

  • درک شهودی تجزیه مقادیر ویژه Eigendecomposition - intuition

  • پیاده‌سازی تجزیه مقادیر ویژه Eigendecomposition - implementation

  • درک شهودی تجزیه مقادیر مفرد (SVD) Singular value decomposition - intuition

  • پیاده‌سازی تجزیه مقادیر مفرد (SVD) Singular value decomposition - implementation

  • درک شهودی PCA PCA - intuition

  • پیاده‌سازی PCA PCA - implementation

  • درک شهودی شباهت داده‌ها Data similarity - intuition

  • پیاده‌سازی شباهت داده‌ها Data similarity - implementation

  • تمرینات تکلیفی HOMEWORK

  • راهنمای حل ۱ Solution 1

  • راهنمای حل ۲ Solution 2

نکات پایانی Final remarks

  • نکات پایانی Final remarks

  • بخش هدیه (BONUS) BONUS

نمایش نظرات

آموزش جبر خطی برای علوم داده و یادگیری ماشین
جزییات دوره
7.5 hours
68
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
354
4.7 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jones Granatyr Jones Granatyr

استاد اولا! 10 مورد از جونز گراناتیر و ترابیلو در 10 سال گذشته است که شامل Inteligência Artificial (IA) می باشد استاد حرفه ای ، پشکیزادور و بنیانگذار پورتال IA Expert ، وب سایت com conteúdo específico sobre Inteligência Artificial. Desde que iniciei na Udemy criei vários cursos sobre diversos assuntos de IA، como as exemplolo: یادگیری عمیق ، یادگیری ماشین ، علم داده ، Redes Neurais Artificiais، Algoritmos Genéticos، Detecção e Reconhecimento Facial، Algoritmos de cesos، Busca ، Mineração de Regras de Associação ، Sistemas Especialistas e Sistemas de Recomendação. اگر بخواهید از طریق برنامه های مختلف زبان (Python ، R e Java) و یا فن آوری های مختلف (tensorflow ، keras ، pandas ، sklearn ، opencv ، dlib ، weka ، nltk ، به عنوان مثال) استفاده کنید. با توجه به هدف اصلی و دستیابی به اطلاعات IA و مجوز فعالیت در TI و متقاضیان ، به عنوان تجدید نظر در زمینه استفاده از قوانین و مقررات و امکان مشاهده تجدید نظرهای جدید در زمینه مشروبات الکلی ارائه می شود.

AI Expert Academy AI Expert Academy

مربی

Denny Ceccon Denny Ceccon

Entusiasta em Data Science