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

  • مرور کلی Overview

نمایش نظرات

آموزش جامع یادگیری ماشین با PyTorch و Scikit-Learn
جزییات دوره
43h 12m
20
(آخرین آپدیت)
1,010
- 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