آموزش R Ultimate 2023 - R for Data Science and Machine Learning [ویدئو]

R Ultimate 2023 - R for Data Science and Machine Learning [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: R یک زبان برنامه نویسی و محیطی است که برای محاسبات آماری، تجزیه و تحلیل داده ها و نمایش گرافیکی طراحی شده است. R به طور گسترده توسط آماردانان، دانشمندان داده، محققان و تحلیلگران برای کارهای مختلف مربوط به دستکاری داده ها، مدل سازی آماری و تجسم استفاده می شود. R به ویژه برای کارهایی که شامل تجزیه و تحلیل داده ها، تجسم و آمار است، مناسب است که به دلیل انعطاف پذیری و طیف گسترده ای از ابزارهای موجود انتخاب شده است. این دوره ما را به یک سفر تحول آفرین در برنامه نویسی R، از مفاهیم پایه تا تکنیک های پیشرفته می برد. ما به اصول، انواع داده ها، متغیرها و ساختارهای R می پردازیم. ما برنامه نویسی R را با توابع سفارشی، ساختارهای کنترلی و دستکاری داده ها بررسی خواهیم کرد. ما تجسم داده ها را با بسته های پیشرو، تجزیه و تحلیل آماری، آزمون فرضیه ها و مدل سازی رگرسیون تجزیه و تحلیل خواهیم کرد. با عبارات منظم، ما دستکاری پیشرفته داده ها، مدیریت پرت، استراتژی های داده از دست رفته و دستکاری متن را درک خواهیم کرد. ما با ML با الگوریتم های رگرسیون، طبقه بندی و خوشه بندی آشنا خواهیم شد. ما DL، شبکه های عصبی، طبقه بندی تصاویر و تقسیم بندی معنایی را بررسی خواهیم کرد. پس از تکمیل، ما برنامه‌های وب پویا را با Shiny ایجاد می‌کنیم و به عنوان متخصصین R ماهر ظاهر می‌شویم، آماده مقابله با چالش‌ها و مشارکت در تصمیم‌گیری مبتنی بر داده‌ها. اکسل در مبانی R و تکنیک های پیشرفته علم داده تبدیل، تجسم، و جمع آوری داده ها با دقت با استفاده از ggplot، Plotly و leaflet، تصاویری جذاب بسازید پیاده سازی مدل های رگرسیون، طبقه بندی و خوشه بندی شبکه های عصبی، طبقه بندی تصاویر و تقسیم بندی را کاوش کنید توسعه برنامه های وب پویا با استفاده از R Shiny برای درگیر کردن تجربیات کاربر این دوره به دانشمندان داده، تحلیلگران، برنامه نویسان، محققان و متخصصان مشتاق و با سابقه ای که به دنبال افزایش مهارت های خود در دستکاری داده ها، تجزیه و تحلیل آماری، ML و DL با استفاده از برنامه نویسی R هستند، پاسخ می دهد. این برنامه به افرادی با سطوح مختلف تجربه، از مبتدیانی که به دنبال ورود به این حوزه هستند تا متخصصان با تجربه که با هدف گسترش تخصص خود در تصمیم گیری مبتنی بر داده و تجزیه و تحلیل پیشرفته، ارائه می دهد. پیش نیازها شامل تجربه برنامه نویسی قبلی است، اما این دوره می تواند زبان آموزانی را با سطوح مختلف مفاهیم علوم داده و آشنایی با برنامه نویسی R در خود جای دهد. اصول R، تجزیه و تحلیل پیشرفته، یادگیری ماشین و یادگیری عمیق را برای علم داده بیاموزید * روی آزمایشگاه ها و تمرین های عملی برای تقویت دستکاری داده ها، مدل سازی و تجسم کار کنید * تجهیز برای داده های عملی، پروژه ها، مطالعات موردی، و ترجمه نظریه به بینش های عملی

سرفصل ها و درس ها

معرفی دوره Course Introduction

  • بررسی اجمالی دوره Course Overview

  • R و RStudio (نمای کلی و نصب) R and RStudio (Overview and Installation)

  • چگونه کد را دریافت کنیم؟ How to Get the Code?

  • RStudio معرفی/راه اندازی پروژه RStudio Introduction / Project Setup

  • فرمت های فایل File Formats

  • آزمایشگاه Rmarkdown Rmarkdown Lab

انواع داده ها و ساختارها Data Types and Structures

  • انواع داده های پایه 101 Basic Data Types 101

  • آزمایشگاه انواع داده های پایه Basic Data Types Lab

  • آزمایشگاه ماتریس و آرایه Matrices and Arrays Lab

  • لیست ها Lists

  • عوامل Factors

  • چارچوب های داده Dataframes

  • آزمایشگاه رشته ها Strings Lab

  • زمان قرار Datetime

برنامه نویسی R R Programming

  • اپراتورها Operators

  • حلقه های 101 Loops 101

  • Loops Lab Loops Lab

  • توابع 101 Functions 101

  • آزمایشگاه توابع (مقدمه) Functions Lab (Introduction)

  • آزمایشگاه توابع (کدنویسی) Functions Lab (Coding)

واردات و صادرات داده ها Data Import and Export

  • آزمایشگاه واردات داده Data Import Lab

  • آزمایشگاه صادرات داده Data Export Lab

  • مقدمه Web Scraping Web Scraping Introduction

  • آزمایشگاه خراش دادن وب Web Scraping Lab

دستکاری داده های پایه Basic Data Manipulation

  • لوله 101 Piping 101

  • فیلتر کردن 101 Filtering 101

  • آزمایشگاه فیلترینگ Filtering Lab

  • تجمیع داده ها 101 Data Aggregation 101

  • آزمایشگاه تجمیع داده ها Data Aggregation Lab

  • تغییر شکل داده 101 Data Reshaping 101

  • آزمایشگاه تغییر شکل داده Data Reshaping Lab

  • عملیات 101 را تنظیم کنید Set Operations 101

  • مجموعه عملیات آزمایشگاه Set Operations Lab

  • پیوستن به مجموعه داده 101 Joining Datasets 101

  • پیوستن به Datasets Lab Joining Datasets Lab

تجسم داده ها Data Visualization

  • نمای کلی تجسم Visualization Overview

  • ggplot 101 ggplot 101

  • آزمایشگاه ggplot ggplot Lab

  • آزمایشگاه پلاتی (مقدمه) plotly Lab (Introduction)

  • پلاتوی آزمایشگاه plotly Lab

  • بروشور آزمایشگاه (مقدمه) leaflet Lab (Introduction)

  • جزوه آزمایشگاه leaflet Lab

  • آزمایشگاه دیگراف (مقدمه) dygraphs Lab (Introduction)

  • آزمایشگاه دیگراف dygraphs Lab

دستکاری داده های پیشرفته Advanced Data Manipulation

  • تشخیص بیرونی 101 Outlier Detection 101

  • آزمایشگاه تشخیص بیرونی (مقدمه) Outlier Detection Lab (Introduction)

  • راه حل تشخیص بیرونی Outlier Detection Solution

  • مدیریت داده های گمشده 101 Missing Data Handling 101

  • آزمایشگاه مدیریت داده های گمشده (مقدمه) Missing Data Handling Lab (Introduction)

  • آزمایشگاه مدیریت داده‌های گمشده (1/1) Missing Data Handling Lab (1/1)

  • عبارات منظم 101 Regular Expressions 101

  • آزمایشگاه عبارات منظم Regular Expressions Lab

یادگیری ماشینی: مقدمه Machine Learning: Introduction

  • AI 101 AI 101

  • یادگیری ماشینی 101 Machine Learning 101

  • مدل ها Models

یادگیری ماشین: رگرسیون Machine Learning: Regression

  • انواع رگرسیون 101 Regression Types 101

  • رگرسیون تک متغیره 101 Univariate Regression 101

  • رگرسیون تک متغیره تعاملی Univariate Regression Interactive

  • آزمایشگاه رگرسیون تک متغیره Univariate Regression Lab

  • تمرین رگرسیون تک متغیره Univariate Regression Exercise

  • راه حل رگرسیون تک متغیره Univariate Regression Solution

  • رگرسیون چند جمله ای 101 Polynomial Regression 101

  • آزمایشگاه رگرسیون چند جمله ای Polynomial Regression Lab

  • رگرسیون چند متغیره 101 Multivariate Regression 101

  • آزمایشگاه رگرسیون چند متغیره Multivariate Regression Lab

  • تمرین رگرسیون چند متغیره Multivariate Regression Exercise

  • راه حل رگرسیون چند متغیره Multivariate Regression Solution

یادگیری ماشینی: آماده سازی و ارزیابی مدل Machine Learning: Model Preparation and Evaluation

  • کم تناسب/بیش از حد 101 Underfitting / Overfitting 101

  • Train/Validation/Test Split 101 Train / Validation / Test Split 101

  • Train/Validation/Test Split Interactive Train / Validation / Test Split Interactive

  • آموزش/اعتبار سنجی/آزمایشگاه تقسیم آزمایشی Train / Validation / Test Split Lab

  • تکنیک های نمونه گیری مجدد 101 Resampling Techniques 101

  • آزمایشگاه تکنیک های نمونه برداری مجدد Resampling Techniques Lab

یادگیری ماشینی: منظم سازی Machine Learning: Regularization

  • منظم سازی 101 Regularization 101

  • آزمایشگاه منظم سازی Regularization Lab

یادگیری ماشینی: مبانی طبقه بندی Machine Learning: Classification Basics

  • ماتریس سردرگمی 101 Confusion Matrix 101

  • منحنی ROC 101 ROC Curve 101

  • ROC Curve Interactive ROC Curve Interactive

  • ROC Curve Lab مقدمه ROC Curve Lab Introduction

  • ROC Curve Lab 1/3 (آماده سازی داده، مدل سازی) ROC Curve Lab 1/3 (Data Prep, Modeling)

  • ROC Curve Lab 2/3 (ماتریس سردرگمی و ROC) ROC Curve Lab 2/3 (Confusion Matrix and ROC)

  • ROC Curve Lab 3/3 (ROC، AUC، تابع هزینه) ROC Curve Lab 3/3 (ROC, AUC, Cost Function)

یادگیری ماشینی: طبقه بندی با درختان تصمیم گیری Machine Learning: Classification with Decision Trees

  • درختان تصمیم 101 Decision Trees 101

  • آزمایشگاه درختان تصمیم (مقدمه) Decision Trees Lab (Introduction)

  • آزمایشگاه درختان تصمیم (کدگذاری) Decision Trees Lab (Coding)

  • تمرین درختان تصمیم گیری Decision Trees Exercise

یادگیری ماشینی: طبقه بندی با جنگل های تصادفی Machine Learning: Classification with Random Forests

  • جنگل های تصادفی 101 Random Forests 101

  • جنگل های تصادفی تعاملی Random Forests Interactive

  • آزمایشگاه تصادفی جنگل (مقدمه) Random Forest Lab (Introduction)

  • آزمایشگاه تصادفی جنگل (کدگذاری 1/2) Random Forest Lab (Coding 1/2)

  • آزمایشگاه تصادفی جنگل (کدگذاری 2/2) Random Forest Lab (Coding 2/2)

یادگیری ماشینی: طبقه بندی با رگرسیون لجستیک Machine Learning: Classification with Logistic Regression

  • رگرسیون لجستیک 101 Logistic Regression 101

  • آزمایشگاه رگرسیون لجستیک (مقدمه) Logistic Regression Lab (Introduction)

  • آزمایشگاه رگرسیون لجستیک (کدگذاری 1/2) Logistic Regression Lab (Coding 1/2)

  • آزمایشگاه رگرسیون لجستیک (کدگذاری 2/2) Logistic Regression Lab (Coding 2/2)

  • تمرین رگرسیون لجستیک Logistic Regression Exercise

یادگیری ماشینی: طبقه بندی با ماشین های بردار پشتیبان Machine Learning: Classification with Support Vector Machines

  • ماشین‌های بردار پشتیبانی 101 Support Vector Machines 101

  • آزمایشگاه ماشین‌های بردار پشتیبانی (مقدمه) Support Vector Machines Lab (Introduction)

  • آزمایشگاه ماشین‌های بردار پشتیبانی (کدگذاری 1/2) Support Vector Machines Lab (Coding 1/2)

  • آزمایشگاه ماشین‌های بردار پشتیبانی (کدگذاری 2/2) Support Vector Machines Lab (Coding 2/2)

  • تمرین ماشین‌های بردار پشتیبانی Support Vector Machines Exercise

یادگیری ماشینی: طبقه بندی با مدل های گروهی Machine Learning: Classification with Ensemble Models

  • مدل های گروه 101 Ensemble Models 101

یادگیری ماشین: قوانین انجمن Machine Learning: Association Rules

  • قوانین انجمن 101 Association Rules 101

  • آپریوری 101 Apriori 101

  • آزمایشگاه Apriori (مقدمه) Apriori Lab (Introduction)

  • آزمایشگاه Apriori (کدگذاری 1/2) Apriori Lab (Coding 1/2)

  • آزمایشگاه Apriori (کدگذاری 2/2) Apriori Lab (Coding 2/2)

  • تمرین Apriori Apriori Exercise

  • راه حل Apriori Apriori Solution

یادگیری ماشینی: خوشه بندی Machine Learning: Clustering

  • نمای کلی خوشه بندی Clustering Overview

  • کیلومتر 101 kmeans 101

  • آزمایشگاه kmeans kmeans Lab

  • ورزش kmeans kmeans Exercise

  • راه حل kmeans kmeans Solution

  • خوشه بندی سلسله مراتبی 101 Hierarchical Clustering 101

  • خوشه بندی سلسله مراتبی تعاملی Hierarchical Clustering Interactive

  • آزمایشگاه خوشه بندی سلسله مراتبی Hierarchical Clustering Lab

  • DBSCAN 101 DBSCAN 101

  • آزمایشگاه DBSCAN DBSCAN Lab

یادگیری ماشین: کاهش ابعاد Machine Learning: Dimensionality Reduction

  • PCA 101 PCA 101

  • آزمایشگاه PCA PCA Lab

  • تمرین PCA PCA Exercise

  • راه حل PCA PCA Solution

  • t-SNE 101 t-SNE 101

  • آزمایشگاه t-SNE (کره) t-SNE Lab (Sphere)

  • آزمایشگاه t-SNE (MNIST) t-SNE Lab (MNIST)

  • تحلیل عاملی 101 Factor Analysis 101

  • آزمایشگاه تحلیل عاملی (مقدمه) Factor Analysis Lab (Introduction)

  • آزمایشگاه تحلیل عاملی (کدگذاری 1/2) Factor Analysis Lab (Coding 1/2)

  • آزمایشگاه تحلیل عاملی (کدگذاری 2/2) Factor Analysis Lab (Coding 2/2)

  • تمرین تحلیل عاملی Factor Analysis Exercise

یادگیری ماشینی: یادگیری تقویتی Machine Learning: Reinforcement Learning

  • یادگیری تقویتی 101 Reinforcement Learning 101

  • حد بالای اطمینان 101 Upper Confidence Bound 101

  • کران اعتماد بالا تعاملی Upper Confidence Bound Interactive

  • آزمایشگاه کران اعتماد بالا (مقدمه) Upper Confidence Bound Lab (Introduction)

  • آزمایشگاه کران اعتماد بالا (کدگذاری 1/2) Upper Confidence Bound Lab (Coding 1/2)

  • آزمایشگاه کران اعتماد بالا (کدگذاری 2/2) Upper Confidence Bound Lab (Coding 2/2)

یادگیری عمیق: مقدمه Deep Learning: Introduction

  • مرور کلی یادگیری عمیق Deep Learning General Overview

  • مدل سازی یادگیری عمیق 101 Deep Learning Modeling 101

  • کارایی Performance

  • از پرسپترون تا شبکه های عصبی From Perceptron to Neural Networks

  • انواع لایه ها Layer Types

  • توابع فعال سازی Activation Functions

  • عملکرد از دست دادن Loss Function

  • بهینه ساز Optimizer

  • چارچوب های یادگیری عمیق Deep Learning Frameworks

  • نصب پایتون و کراس Python and Keras Installation

یادگیری عمیق: رگرسیون Deep Learning: Regression

  • آزمایشگاه رگرسیون چند هدف (مقدمه) Multi-Target Regression Lab (Introduction)

  • آزمایشگاه رگرسیون چند هدف (کدگذاری 1/2) Multi-Target Regression Lab (Coding 1/2)

  • آزمایشگاه رگرسیون چند هدف (کدگذاری 2/2) Multi-Target Regression Lab (Coding 2/2)

یادگیری عمیق: طبقه بندی Deep Learning: Classification

  • آزمایشگاه طبقه بندی باینری (مقدمه) Binary Classification Lab (Introduction)

  • آزمایشگاه طبقه بندی باینری (کدگذاری 1/2) Binary Classification Lab (Coding 1/2)

  • آزمایشگاه طبقه بندی باینری (کدگذاری 2/2) Binary Classification Lab (Coding 2/2)

  • آزمایشگاه طبقه بندی چند برچسبی (مقدمه) Multi-Label Classification Lab (Introduction)

  • آزمایشگاه طبقه بندی چند برچسبی (کدگذاری 1/3) Multi-Label Classification Lab (Coding 1/3)

  • آزمایشگاه طبقه بندی چند برچسبی (کدگذاری 2/3) Multi-Label Classification Lab (Coding 2/3)

  • آزمایشگاه طبقه بندی چند برچسبی (کدگذاری 3/3) Multi-Label Classification Lab (Coding 3/3)

یادگیری عمیق: شبکه های عصبی کانولوشنال Deep Learning: Convolutional Neural Networks

  • شبکه های عصبی کانولوشن 101 Convolutional Neural Networks 101

  • شبکه های عصبی کانولوشنال تعاملی Convolutional Neural Networks Interactive

  • آزمایشگاه شبکه های عصبی کانولوشنال (مقدمه) Convolutional Neural Networks Lab (Introduction)

  • آزمایشگاه شبکه های عصبی کانولوشن (1/1) Convolutional Neural Networks Lab (1/1)

  • تمرین شبکه های عصبی کانولوشنال Convolutional Neural Networks Exercise

  • تقسیم بندی معنایی 101 Semantic Segmentation 101

  • آزمایشگاه Semantic Segmentation Lab (مقدمه) Semantic Segmentation Lab (Introduction)

  • آزمایشگاه تقسیم بندی معنایی (1/1) Semantic Segmentation Lab (1/1)

یادگیری عمیق: رمزگذارهای خودکار Deep Learning: Autoencoders

  • رمزگذارهای خودکار 101 Autoencoders 101

  • Autoencoders Lab (مقدمه) Autoencoders Lab (Introduction)

  • آزمایشگاه رمزگذاری خودکار (کدگذاری) Autoencoders Lab (Coding)

یادگیری عمیق: آموزش انتقال و شبکه های از پیش آموزش دیده Deep Learning: Transfer Learning and Pretrained Networks

  • آموزش انتقال و مدل های از پیش آموزش دیده 101 Transfer Learning and Pretrained Models 101

  • آموزش انتقال و آزمایشگاه مدل های از پیش آموزش دیده (مقدمه) Transfer Learning and Pretrained Models Lab (Introduction)

  • آموزش انتقال و آزمایشگاه مدل های از پیش آموزش دیده (1/1) Transfer Learning and Pretrained Models Lab (1/1)

یادگیری عمیق: شبکه های عصبی مکرر Deep Learning: Recurrent Neural Networks

  • شبکه های عصبی تکراری 101 Recurrent Neural Networks 101

  • LSTM: پیش‌بینی سری زمانی تک متغیره، چند مرحله‌ای (مقدمه) LSTM: Univariate, Multistep Timeseries Prediction (Introduction)

  • LSTM: آزمایشگاه پیش‌بینی سری زمانی تک متغیره، چند مرحله‌ای (1/1) LSTM: Univariate, Multistep Timeseries Prediction Lab (1/1)

  • LSTM: چند متغیره، پیش‌بینی سری زمانی چند مرحله‌ای (مقدمه) LSTM: Multivariate, Multistep Timeseries Prediction (Introduction)

  • LSTM: آزمایشگاه پیش‌بینی سری زمانی چند متغیره (1/1) LSTM: Multivariate, Multistep Timeseries Prediction Lab (1/1)

براق Shiny

  • معرفی براق Shiny Introduction

  • زبان های محبوب (مقدمه) Popular Languages (Introduction)

  • زبان های محبوب (global.R) Popular Languages (global.R)

  • زبان های محبوب (ui.R) Popular Languages (ui.R)

  • زبان های محبوب (server.R) Popular Languages (server.R)

  • عبارات واکنشی (101) Reactive Expressions (101)

  • زبان های محبوب (عبارات واکنشی) Popular Languages (Reactive Expressions)

  • استقرار برنامه App Deployment

  • تولید ناخالص داخلی و امید به زندگی (ورزش) GDP and Life Expectancy (Exercise)

  • تولید ناخالص داخلی و امید به زندگی (راه حل) GDP and Life Expectancy (Solution)

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

آموزش R Ultimate 2023 - R for Data Science and Machine Learning [ویدئو]
جزییات دوره
22 h 16 m
186
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Bert Gollnick
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Bert Gollnick Bert Gollnick

دانشمند داده