لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش جامع یادگیری ماشین با PyTorch و Scikit-Learn
- آخرین آپدیت
دانلود Machine Learning with PyTorch and Scikit-Learn
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره یک کاوش جامع در زمینه یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) با استفاده از کتابخانههای قدرتمند PyTorch و Scikit-Learn است. این دوره با ارائه توضیحات شفاف، بصریسازیها و مثالهای عملی، به یادگیرندگان کمک میکند تا مدلهای یادگیری ماشین را ساخته و پیادهسازی کنند. این محتوا برای توسعهدهندگان پایتون ایدهآل است و جدیدترین روندها در یادگیری عمیق، از جمله شبکههای GAN، یادگیری تقویتی (Reinforcement Learning) و پردازش زبان طبیعی (NLP) با ترنسفورمرها را پوشش میدهد.
در این دوره، تکنیکهای ضروری یادگیری ماشین به صورت عمیق بررسی شده و دو تکنیک پیشرفته یعنی ترنسفورمرها (Transformers) و شبکههای عصبی گراف (GNN) به طور کامل آموزش داده میشوند.
این دوره برای توسعهدهندگان و دانشمندان دادهای طراحی شده است که تسلط مناسبی بر مفاهیم پایه پایتون، حساب دیفرانسیل و جبر خطی دارند. این آموزش برای کسانی که به دنبال ایجاد برنامههای کاربردی یادگیری ماشین با Scikit-Learn و PyTorch و تعمیق دانش خود در تکنیکهای پیشرفته یادگیری عمیق هستند، انتخابی عالی است.
در طول این دوره شما خواهید آموخت:
- توسعه مدلهای یادگیری ماشین با استفاده از Scikit-Learn و PyTorch.
- پیادهسازی شبکههای عصبی و ترنسفورمرها برای انواع مختلف دادهها.
- بهکارگیری بهترین روشها برای ارزیابی و تنظیم مدل (Tuning).
این دوره بر اساس مطالب تخصصی نوشته شده است تا عمق یک کتاب را در قالبی تعاملی و جذاب ارائه دهد. محتوای اصلی از طریق متون ساختاریافته ارائه شده و توسط ویدیوهای کوتاه و کوییزهایی برای تثبیت مفاهیم کلیدی پشتیبانی میشود.
با ترکیب قدرت یادگیری متنی و ارزیابیهای تعاملی، شما هم از عمق تخصص نویسنده بهرهمند میشوید و هم انعطافپذیری لازم برای تمرین و مرور مفاهیم را در هر زمان که نیاز داشته باشید، خواهید داشت.
سرفصل ها و درس ها
توانمندسازی کامپیوترها برای یادگیری از دادهها
Giving Computers the Ability to Learn from Data
معرفی کلی دوره
Course Overview
بررسی کلی ماژول
Module Overview
آموزش الگوریتمهای ساده یادگیری ماشین برای طبقهبندی
Training Simple Machine Learning Algorithms for Classification
مرور کلی
Overview
بررسی طبقهبندیکنندههای یادگیری ماشین با Scikit-Learn
A Tour of Machine Learning Classifiers Using Scikit-Learn
مرور کلی
Overview
ساخت مجموعهدادههای آموزشی مناسب: پیشپردازش دادهها
Building Good Training Datasets: Data Preprocessing
مرور کلی
Overview
فشردهسازی دادهها از طریق کاهش ابعاد
Compressing Data Via Dimensionality Reduction
مرور کلی
Overview
آموزش بهترین روشها برای ارزیابی مدل و تنظیم هایپرپارامترها
Learning Best Practices For Model Evaluation And Hyperparameter Tuning
مرور کلی
Overview
ترکیب مدلهای مختلف برای یادگیری جمعی (Ensemble Learning)
Combining Different Models For Ensemble Learning
مرور کلی
Overview
بهکارگیری یادگیری ماشین در تحلیل احساسات
Applying Machine Learning to Sentiment Analysis
مرور کلی
Overview
پیشبینی متغیرهای هدف پیوسته با تحلیل رگرسیون
Predicting Continuous Target Variables With Regression Analysis
مرور کلی
Overview
کار با دادههای بدون برچسب: تحلیل خوشهبندی
Working with Unlabeled Data - Clustering Analysis
مرور کلی
Overview
پیادهسازی شبکه عصبی مصنوعی چندلایه از صفر
Implementing a Multilayer Artificial Neural Network from Scratch
مرور کلی
Overview
موازیسازی آموزش شبکه عصبی با PyTorch
Parallelizing Neural Network Training with PyTorch
مرور کلی
Overview
بررسی عمیقتر: مکانیسمهای داخلی PyTorch
Going Deeper: The Mechanics of PyTorch
مرور کلی
Overview
طبقهبندی تصاویر با شبکههای عصبی پیچشی عمیق (CNN)
Classifying Images with Deep Convolutional Neural Networks
مرور کلی
Overview
مدلسازی دادههای متوالی با استفاده از شبکههای عصبی بازگشتی (RNN)
Modeling Sequential Data Using Recurrent Neural Networks
مرور کلی
Overview
ترنسفورمرها: بهبود پردازش زبان طبیعی با مکانیسمهای توجه (Attention)
Transformers Improving Natural Language Processing With Attention Mechanisms
مرور کلی
Overview
شبکههای عصبی مولد (GAN) برای سنتز دادههای جدید
Generative Adversarial Networks for Synthesizing New Data
مرور کلی
Overview
شبکههای عصبی گراف برای تحلیل وابستگیها در دادههای ساختار گراف
Graph Neural Networks for Capturing Dependencies in Graph Structured Data
مرور کلی
Overview
یادگیری تقویتی برای تصمیمگیری در محیطهای پیچیده
Reinforcement Learning for Decision Making in Complex Environments
نمایش نظرات