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

نمایش نظرات

Udemy (یودمی)

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.

آموزش جبر خطی و انتخاب ویژگی در پایتون
جزییات دوره
3 hours
32
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,705
4.4 از 5
دارد
دارد
دارد
365 Careers
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

365 Careers 365 Careers

ایجاد فرصت برای دانشجویان علوم داده و مالی