لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش جبر خطی و انتخاب ویژگی در پایتون
Linear Algebra and Feature Selection in Python
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
مبانی نظری و عملی را به دست آورید که به شما امکان می دهد یادگیری ماشینی را با درک درک کنید درک ریاضیات پشت مدل های یادگیری ماشینی آشنایی با مفاهیم جبر خطی مقدماتی و پیشرفته قادر به حل معادلات خطی تعیین استقلال مجموعه ای از بردارها محاسبه مقادیر ویژه و بردارهای ویژه انجام تجزیه و تحلیل تشخیص خطی انجام کاهش ابعاد در پایتون انجام تجزیه و تحلیل اجزای اصلی مقایسه عملکرد PCA و LDA برای طبقه بندی با SVM ها پیش نیازها:مناسب برای مبتدیان. آشنایی با اصول و ریاضیات پایتون مزیت محسوب می شود.
آیا می خواهید جبر خطی را یاد بگیرید؟
شما به جای مناسب آمده اید!
ابتدا و مهمتر از همه، می خواهیم به شما تبریک بگوییم زیرا به اهمیت کسب این مهارت پی برده اید. چه بخواهید حرفه ای در علم داده، یادگیری ماشین، تجزیه و تحلیل داده، مهندسی نرم افزار یا آمار دنبال کنید، باید بدانید که چگونه جبر خطی را به کار ببرید.
این دوره به شما این امکان را میدهد که حرفهای شوید که ریاضیاتی را که الگوریتمها بر اساس آن ساخته شدهاند، درک میکند، نه فردی که کورکورانه آنها را بدون اینکه بداند در پشت صحنه چه اتفاقی میافتد، استفاده میکند.
اما بیایید به سؤال مهمی که احتمالاً در این مرحله دارید پاسخ دهیم:
"از این دوره چه انتظاری می توانم داشته باشم و چگونه به پیشرفت حرفه ای من کمک می کند؟"
به طور خلاصه، ما مبانی نظری و عملی دو بخش اساسی علم داده و تجزیه و تحلیل آماری - جبر خطی و کاهش ابعاد را در اختیار شما قرار خواهیم داد.
جبر خطی با وجود اهمیت بسیار زیاد، اغلب در دوره های علوم داده نادیده گرفته می شود. بیشتر مربیان تمایل دارند به جای شروع با اصول، بر روی کاربرد عملی چارچوب های خاص تمرکز کنند، که باعث می شود شما با شکاف های دانش و عدم درک کامل روبرو شوید. در این دوره، ما به شما فرصتی می دهیم تا پایه ای قوی بسازید که به شما امکان می دهد موضوعات پیچیده ML و AI را درک کنید.
این دوره با معرفی مفاهیم پایه جبر مانند بردارها، ماتریس ها، ماتریس های هویت، گستره خطی بردارها و موارد دیگر شروع می شود. ما از آنها برای حل معادلات خطی عملی، تعیین استقلال خطی مجموعه تصادفی از بردارها، و محاسبه بردارهای ویژه و مقادیر ویژه استفاده خواهیم کرد، و همه شما را برای بخش دوم سفر یادگیری ما - کاهش ابعاد آماده می کند.
مفهوم کاهش ابعاد در علم داده، تحلیل آماری و یادگیری ماشین بسیار مهم است. این تعجب آور نیست، زیرا توانایی تعیین ویژگی های مهم در یک مجموعه داده ضروری است - به ویژه در عصر مبتنی بر داده امروزی که باید قادر به کار با مجموعه داده های بسیار بزرگ باشد.
تصور کنید که صدها یا حتی هزاران ویژگی در داده های خود دارید. کار با چنین اطلاعات پیچیده ای می تواند به مشکلات مختلفی منجر شود - زمان تمرین کند، امکان چند خطی بودن، نفرین ابعاد، یا حتی تطبیق بیش از حد داده های آموزشی.
کاهش ابعاد میتواند با انتخاب بخشهایی از دادهها که در واقع حاوی اطلاعات مهم هستند و نادیده گرفتن موارد کمتأثیر، به شما کمک کند از همه این مسائل اجتناب کنید.
در این دوره، ما دو تکنیک اصلی برای کاهش ابعاد را مورد بحث قرار خواهیم داد - تجزیه و تحلیل اجزای اصلی (PCA) و تجزیه و تحلیل متمایز خطی (LDA). این روشها دادههایی را که با آنها کار میکنید تغییر میدهند و ویژگیهای جدیدی ایجاد میکنند که بیشتر واریانس مربوط به یک مجموعه داده معین را حمل میکنند. ابتدا، تئوری پشت PCA و LDA را یاد خواهید گرفت. سپس با مرور دو مثال کامل در پایتون، نحوه تبدیل داده ها را در عمل مشاهده خواهید کرد. برای این منظور، یک برنامه گام به گام PCA و یکی از LDA را دریافت خواهید کرد. در نهایت این دو الگوریتم را از نظر سرعت و دقت مقایسه خواهیم کرد.
ما تلاش زیادی کردهایم تا این دوره آموزشی پایهای عالی برای هر کسی باشد که میخواهد یک تحلیلگر داده، دانشمند داده یا مهندس یادگیری ماشین شود.
سرفصل ها و درس ها
ملزومات جبر خطی
Linear Algebra Essentials
حل معادلات درجه دوم
Solving Quadratic Equations
انتقال بردارها و ماتریس ها، ماتریس هویت
The Transpose of Vectors and Matrices, the Identity Matrix
استقلال خطی و گستره خطی بردارها
Linear Independence and Linear Span of Vectors
روش گاوس
The Gauss Method
مقادیر ویژه و بردارهای ویژه
Eigenvalues and Eigenvectors
محاسبه مقادیر ویژه
Calculating Eigenvalues
محاسبه بردارهای ویژه
Calculating Eigenvectors
ملزومات جبر خطی
Linear Algebra Essentials
دوره چه چیزی را پوشش می دهد
What Does The Course Cover
دوره چه چیزی را پوشش می دهد
What Does The Course Cover
چرا جبر خطی؟
Why Linear Algebra?
چرا جبر خطی؟
Why Linear Algebra?
حل معادلات درجه دوم
Solving Quadratic Equations
بردارها
Vectors
بردارها
Vectors
ماتریس ها
Matrices
ماتریس ها
Matrices
انتقال بردارها و ماتریس ها، ماتریس هویت
The Transpose of Vectors and Matrices, the Identity Matrix
استقلال خطی و گستره خطی بردارها
Linear Independence and Linear Span of Vectors
مبنای یک فضای برداری، تعیین کننده یک ماتریس، معکوس یک ماتریس
Basis of a Vector Space, Determinant of a Matrix, Inverse of a Matrix
مبنای یک فضای برداری، تعیین کننده یک ماتریس، معکوس یک ماتریس
Basis of a Vector Space, Determinant of a Matrix, Inverse of a Matrix
حل معادلات فرم Ax=b
Solving Equations of the Form Ax=b
حل معادلات فرم Ax=b
Solving Equations of the Form Ax=b
روش گاوس
The Gauss Method
راه حل های دیگر برای معادله Ax=b
Other Solutions to the Equation Ax=b
راه حل های دیگر برای معادله Ax=b
Other Solutions to the Equation Ax=b
تعیین استقلال خطی یک مجموعه تصادفی از بردارها
Determining Linear Independence of a Random Set of Vectors
تعیین استقلال خطی یک مجموعه تصادفی از بردارها
Determining Linear Independence of a Random Set of Vectors
مقادیر ویژه و بردارهای ویژه
Eigenvalues and Eigenvectors
محاسبه مقادیر ویژه
Calculating Eigenvalues
محاسبه بردارهای ویژه
Calculating Eigenvectors
انگیزه کاهش ابعاد
Dimensionality Reduction Motivation
نفرین ابعاد
The Curse of Dimensionality
انگیزه کاهش ابعاد
Dimensionality Reduction Motivation
انتخاب ویژگی، استخراج ویژگی، و کاهش ابعاد
Feature Selection, Feature Extraction, and Dimensionality Reduction
انتخاب ویژگی، استخراج ویژگی، و کاهش ابعاد
Feature Selection, Feature Extraction, and Dimensionality Reduction
نفرین ابعاد
The Curse of Dimensionality
تجزیه و تحلیل اجزای اصلی (PCA)
Principal Component Analysis (PCA)
مروری بر PCA
An Overview of PCA
تجزیه و تحلیل اجزای اصلی (PCA)
Principal Component Analysis (PCA)
مروری بر PCA
An Overview of PCA
توضیح گام به گام PCA در املاک کالیفرنیا - مثال
A Step-by-Step Explanation of PCA on California Estates – Example
توضیح گام به گام PCA در املاک کالیفرنیا - مثال
A Step-by-Step Explanation of PCA on California Estates – Example
تئوری پشت PCA
The Theory Behind PCA
تئوری پشت PCA
The Theory Behind PCA
ماتریس کوواریانس PCA در ژوپیتر - تجزیه و تحلیل و تفسیر
PCA Covariance Matrix in Jupyter – Analysis and Interpretation
ماتریس کوواریانس PCA در ژوپیتر - تجزیه و تحلیل و تفسیر
PCA Covariance Matrix in Jupyter – Analysis and Interpretation
تجزیه و تحلیل تشخیص خطی (LDA)
Linear Discriminant Analysis (LDA)
میانگین کلی و میانگین کلاس
Overall Mean and Class Means
مروری بر LDA
An Overview of LDA
LDA: محاسبه ماتریس های پراکندگی درون و بین کلاس
LDA: Calculating the Within- and Between-Class Scatter Matrices
توضیح گام به گام LDA در مجموعه داده کیفیت شراب - مثال
A Step-by-Step Еxplanation of LDA on a Wine Quality Dataset – Example
محاسبه ماتریس های پراکندگی درون و بین کلاس
Calculating the Within- and Between-Class Scatter Matrices
تجزیه و تحلیل تشخیص خطی (LDA)
Linear Discriminant Analysis (LDA)
میانگین کلی و میانگین کلاس
Overall Mean and Class Means
مروری بر LDA
An Overview of LDA
LDA: محاسبه ماتریس های پراکندگی درون و بین کلاس
LDA: Calculating the Within- and Between-Class Scatter Matrices
توضیح گام به گام LDA در مجموعه داده کیفیت شراب - مثال
A Step-by-Step Еxplanation of LDA on a Wine Quality Dataset – Example
محاسبه ماتریس های پراکندگی درون و بین کلاس
Calculating the Within- and Between-Class Scatter Matrices
محاسبه بردارهای ویژه و مقادیر ویژه برای LDA
Calculating Eigenvectors and Eigenvalues for the LDA
محاسبه بردارهای ویژه و مقادیر ویژه برای LDA
Calculating Eigenvectors and Eigenvalues for the LDA
تجزیه و تحلیل LDA
Analysis of LDA
تجزیه و تحلیل LDA
Analysis of LDA
LDA در مقابل PCA
LDA vs. PCA
LDA در مقابل PCA
LDA vs. PCA
راه اندازی طبقه بندی کننده برای مقایسه LDA و PCA
Setting Up the Classifier to Compare LDA and PCA
راه اندازی طبقه بندی کننده برای مقایسه LDA و PCA
Setting Up the Classifier to Compare LDA and PCA
کدگذاری Classifier برای LDA و PCA
Coding the Classifier for LDA and PCA
کدگذاری Classifier برای LDA و PCA
Coding the Classifier for LDA and PCA
تجزیه و تحلیل زمان های آموزش و آزمایش برای طبقه بندی کننده و دقت آن
Analysis of the Training and Testing Times for the Classifier and Its Accuracy
تجزیه و تحلیل زمان های آموزش و آزمایش برای طبقه بندی کننده و دقت آن
Analysis of the Training and Testing Times for the Classifier and Its Accuracy
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
نمایش نظرات