آموزش تحلیل اکتشافی داده‌ها (EDA) و الگوریتم‌های اصلی یادگیری ماشین - آخرین آپدیت

دانلود Exploratory Data Analysis & Core ML Algorithms

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: با این دوره عملی، پایه‌ای قوی در تحلیل اکتشافی داده‌ها (EDA) و یادگیری ماشین ایجاد کنید. این دوره برای یادگیرندگانی طراحی شده است که دانش مقدماتی پایتون و ML دارند و قصد دارند گام به گام از آماده‌سازی مجموعه‌داده‌ها تا پیاده‌سازی پرکاربردترین الگوریتم‌ها در کاربردهای واقعی پیش بروند. سفر شما با EDA آغاز می‌شود، جایی که یاد می‌گیرید چگونه داده‌ها را بصری‌سازی کنید، الگوها را شناسایی نمایید و مقادیر گم‌شده یا پرت (Outliers) را مدیریت کنید تا از پاک و قابل اعتماد بودن داده‌های خود مطمئن شوید. سپس به سراغ رگرسیون خطی خواهید رفت و تکنیک‌های مدل‌سازی پیش‌بینی‌کننده را برای پیش‌بینی و تحلیل روندها فرا خواهید گرفت. در مرحله بعد، رگرسیون لجستیک را با تمرکز بر مسائل طبقه‌بندی (Classification) بررسی کرده و یاد می‌گیرید چگونه مدل‌های خود را با استفاده از ابزارهایی مانند منحنی AUC-ROC ارزیابی کنید. شما این مهارت‌ها را در مطالعات موردی عملی، مانند پیش‌بینی نرخ ترک کارکنان، به کار خواهید گرفت. سپس دوره به معرفی طبقه‌بند Naive Bayes می‌پردازد و به شما می‌آموزد چگونه از روش‌های احتمالی برای پیش‌بینی‌های سریع و کارآمد استفاده کنید و در نهایت با درخت تصمیم (Decision Trees) آموزش را به پایان می‌برید. در این بخش مفاهیم کلیدی مانند آنتروپی و شاخص جینی را درک کرده و تنظیم هایپرپارامترها را برای بهینه‌سازی دقت مدل‌ها تمرین خواهید کرد. در پایان این دوره ۵ قسمتی، شما موارد زیر را به دست خواهید آورد: • تسلط در آماده‌سازی و تحلیل مجموعه‌داده‌ها با تکنیک‌های EDA. • پیاده‌سازی رگرسیون خطی و لجستیک برای وظایف پیش‌بینی و طبقه‌بندی. • به‌کارگیری Naive Bayes و درخت‌های تصمیم برای حل مسائل عملی یادگیری ماشین. • کسب مهارت‌های لازم برای ورود به پروژه‌های پیشرفته‌تر یادگیری ماشین. این دوره برای افرادی که تجربه اولیه‌ای در پایتون و مبانی ML دارند و می‌خواهند توانایی خود را در مدل‌سازی، تحلیل و حل مسائل واقعی داده‌ها تقویت کنند، ایده‌آل است. این دوره در می ۲۰۲۵ به‌روزرسانی شده و اکنون شامل Coursera Coach است: یک دستیار یادگیری تعاملی که به شما کمک می‌کند دانش خود را آزمایش کنید، مفروضات را به چالش بکشید و در طول مسیر درک عمیق‌تری کسب کنید.

سرفصل ها و درس ها

تحلیل اکتشافی داده‌ها Exploratory Data Analysis

  • تحلیل اکتشافی داده‌ها Exploratory Data Analysis

  • ابزارها و فرآیندهای EDA Tools and Processes of EDA

  • پروژه EDA شماره ۱ EDA Project 1

  • پروژه EDA شماره ۲ EDA Project 2

  • پروژه EDA شماره ۳ EDA Project 3

  • پروژه EDA شماره ۴ EDA Project 4

  • پروژه EDA شماره ۵ EDA Project 5

  • پروژه EDA شماره ۶ EDA Project 6

  • پروژه EDA شماره ۷ EDA Project 7

رگرسیون خطی Linear Regression

  • مقدمه‌ای بر رگرسیون خطی Linear Regression Introduction

  • آموزش و تابع هزینه Training and Cost Function

  • توابع هزینه و گرادیان کاهشی Cost Functions and Gradient Descent

  • رویکرد عملی رگرسیون خطی Linear Regression - Practical Approach

  • مقیاس‌بندی ویژگی‌ها و توابع هزینه Feature Scaling and Cost Functions

  • فرضيات OLS و تست‌ها OLS Assumptions and Testing

  • پیش‌بینی قیمت خودرو Car Price Prediction

  • آماده‌سازی و تحلیل داده‌ها ۱ Data Preparation and Analysis 1

  • آماده‌سازی و تحلیل داده‌ها ۲ Data Preparation and Analysis 2

  • آماده‌سازی و تحلیل داده‌ها ۳ Data Preparation and Analysis 3

  • ساخت مدل Model Building

  • ارزیابی و بهینه‌سازی مدل Model Evaluation and Optimization

  • بهینه‌سازی مدل Model Optimization

رگرسیون لجستیک Logistic Regression

  • مقدمه‌ای بر رگرسیون لجستیک Logistic Regression Introduction

  • مدل Logit Logit Model

  • مطالعه موردی ریزش مشتریان تلکام Telecom Churn Case Study

  • تحلیل داده‌ها و مهندسی ویژگی Data Analysis and Feature Engineering

  • ساخت مدل لجستیک Build the Logistic Model

  • ارزیابی مدل AUC ROC Model Evaluation - AUC-ROC

  • بهینه‌سازی مدل ۱ Model Optimization 1

  • بهینه‌سازی مدل ۲ Model Optimization 2

الگوریتم طبقه‌بندی Naive Bayes Naive Bayes Classification Algorithm

  • مدل احتمالی Naive Bayes Naive Bayes Probability Model

  • محاسبات احتمالی Naive Bayes Naive Bayes Probability Computation

  • مطالعه موردی ترک کارکنان Employee Attrition Case Study

  • ساخت و بهینه‌سازی مدل Model Building and Optimization

طبقه‌بند درخت تصمیم Decision Tree Classifier

  • مفهوم مدل درخت تصمیم Decision Tree - Model Concept

  • مراحل یادگیری درخت تصمیم Decision Tree - Learning Steps

  • شاخص جینی و معیارهای آنتروپی Gini Index and Entropy Measures

  • هرس کردن و تنظیم هایپرپارامترها Pruning and Hyperparameter Tuning

  • مطالعه موردی مجموعه‌داده Iris Iris Dataset Case Study

  • بهینه‌سازی مدل با استفاده از Grid Search Cross Validation Model Optimization using Grid Search Cross Validation

نمایش نظرات

آموزش تحلیل اکتشافی داده‌ها (EDA) و الگوریتم‌های اصلی یادگیری ماشین
جزییات دوره
14h 5m
40
(آخرین آپدیت)
174
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده