آموزش Data Science 2022: علم داده و یادگیری ماشین کامل

سرفصل ها و درس ها

معرفی Introduction

• معرفی دوره Course Introduction

• چگونه هدیه رایگان خود را مطالبه کنیم How to Claim your FREE Gift

• دانلود مطالب درسی Download Course Material

• دانلود مطالب درسی Download Course Material

• نظرات Udemy - پیام مهم Udemy Reviews - Important Message

• نظرات Udemy - پیام مهم Udemy Reviews - Important Message

معرفی Introduction

• معرفی دوره Course Introduction

• چگونه هدیه رایگان خود را مطالبه کنیم How to Claim your FREE Gift

-- قسمت 1: برنامه نویسی ضروری پایتون -- -- Part 1: Essential Python Programming --

• Anaconda، Spyder را نصب کنید Install Anaconda, Spyder

• میانبر صفحه کلید - برای مبتدیان باید مشاهده شود Keyboard Shortcut - Must view for beginners

• میانبر صفحه کلید - برای مبتدیان باید مشاهده شود Keyboard Shortcut - Must view for beginners

• Hands On - سلام پایتون و محیط را بشناسید Hands On - Hello Python and Know the environment

• Hands On - انواع و اپراتورهای متغیر Hands On - Variable Types and Operators

• دست در دست - تصمیم گیری - اگر-دیگر Hands On - Decision Making - If-Else

• دست در دست - تصمیم گیری - اگر-دیگر Hands On - Decision Making - If-Else

• حلقه های پایتون توضیح داد Python Loops explained

• حلقه های پایتون توضیح داد Python Loops explained

• Hands On - در حالی که حلقه ها Hands On - While Loops

• Hands On - برای حلقه ها Hands On - For Loops

• لیست های پایتون توضیح داده شد Python Lists Explained

• لیست های پایتون توضیح داده شد Python Lists Explained

• Hands On - لیست عملیات اساسی Hands On - Lists Basic Operations

• Hands On - لیست عملیات قسمت 2 Hands On - Lists Operations Part 2

• لیست های چند بعدی توضیح داده شد Multidimensional Lists Explained

• لیست های چند بعدی توضیح داده شد Multidimensional Lists Explained

• Hands On - برش لیست های چند بعدی Hands On - Slicing Multidimensional lists

• Hands On - Python Tuples Hands On - Python Tuples

• Hands On - Python Tuples Hands On - Python Tuples

• دیکشنری پایتون توضیح داده شد Python Dictionary Explained

• دیکشنری پایتون توضیح داده شد Python Dictionary Explained

• Hands On - به داده های دیکشنری دسترسی پیدا کنید Hands On - Access the Dictionary Data

• Hands On - دیکشنری روش ها و توابع Hands On - Dictionary Methods and functions

• پردازش فایل - باز کردن و خواندن فایل ها File processing - Open and Read files

• پردازش فایل - باز کردن و خواندن فایل ها File processing - Open and Read files

• پردازش فایل - پردازش داده ها و نوشتن در فایل ها File Processing - Process Data and Write to Files

• پردازش فایل - پردازش داده ها و نوشتن در فایل ها File Processing - Process Data and Write to Files

• پردازش فایل - پردازش داده ها با استفاده از حلقه ها File Processing - Process Data using Loops

• پروژه 1 - محاسبه میانگین دمای هر شهر Project 1 - Calculate the average temperature per city

• راه حل - پروژه 1 میانگین دمای هر شهر را محاسبه می کند Solution - Project 1 calculate the average temperature per city

• راه حل - پروژه 1 میانگین دمای هر شهر را محاسبه می کند Solution - Project 1 calculate the average temperature per city

• برنامه نویسی ضروری پایتون Essential Python Programming

-- قسمت 1: برنامه نویسی ضروری پایتون -- -- Part 1: Essential Python Programming --

• Anaconda، Spyder را نصب کنید Install Anaconda, Spyder

• Hands On - سلام پایتون و محیط را بشناسید Hands On - Hello Python and Know the environment

• Hands On - انواع و اپراتورهای متغیر Hands On - Variable Types and Operators

• Hands On - در حالی که حلقه ها Hands On - While Loops

• Hands On - برای حلقه ها Hands On - For Loops

• Hands On - لیست عملیات اساسی Hands On - Lists Basic Operations

• Hands On - لیست عملیات قسمت 2 Hands On - Lists Operations Part 2

• Hands On - برش لیست های چند بعدی Hands On - Slicing Multidimensional lists

• Hands On - به داده های دیکشنری دسترسی پیدا کنید Hands On - Access the Dictionary Data

• Hands On - دیکشنری روش ها و توابع Hands On - Dictionary Methods and functions

• پردازش فایل - پردازش داده ها با استفاده از حلقه ها File Processing - Process Data using Loops

• پروژه 1 - محاسبه میانگین دمای هر شهر Project 1 - Calculate the average temperature per city

• برنامه نویسی ضروری پایتون Essential Python Programming

-- قسمت 2: ریاضیات اساسی -- -- Part 2: Essential Mathematics --

• در این قسمت چه خواهید آموخت؟ What you will learn in this Part?

• معادلات جبری Algebraic Equations

• معادلات جبری Algebraic Equations

• نماها و گزارش ها Exponents and Logs

• نماها و گزارش ها Exponents and Logs

• معادلات چند جمله ای Polynomial Equations

• معادلات چند جمله ای Polynomial Equations

• فاکتورینگ Factoring

• فاکتورینگ Factoring

• معادلات درجه دوم Quadratic Equations

• معادلات درجه دوم Quadratic Equations

• کارکرد Functions

• مبانی جبر Algebra Foundations

• بنیاد حساب دیفرانسیل و انتگرال Calculus Foundation

• بنیاد حساب دیفرانسیل و انتگرال Calculus Foundation

• نرخ تغییر و محدودیت Rate of Change and Limits

• تمایز و مشتقات Differentiation and Derivatives

• تمایز و مشتقات Differentiation and Derivatives

• قوانین مشتق و عملیات Derivative Rules and Operations

• مشتقات دوگانه و یافتن ماکسیما Double Derivatives and finding Maxima

• مثال مشتقات دوگانه Double Derivatives example

• مشتقات جزئی و نزول گرادیان Partial Derivatives and Gradient Descent

• ادغام و مساحت زیر منحنی Integration and Area Under the Curve

• ادغام و مساحت زیر منحنی Integration and Area Under the Curve

• حساب دیفرانسیل و انتگرال Calculus

• مبانی بردار - بردار و عملیات بردار چیست Vector Basics - What is a Vector and vector operations

• مبانی بردار - بردار و عملیات بردار چیست Vector Basics - What is a Vector and vector operations

• وکتور حساب Vector Arithmetic

• وکتور حساب Vector Arithmetic

• بنیاد ماتریکس Matrix Foundation

• بنیاد ماتریکس Matrix Foundation

• حساب ماتریسی Matrix Arithmetic

• حساب ماتریسی Matrix Arithmetic

• ماتریس هویت، معکوس، تعیین کننده و جابجایی Identity, Inverse, Determinant and Transpose Matrix

• ماتریس هویت، معکوس، تعیین کننده و جابجایی Identity, Inverse, Determinant and Transpose Matrix

• تبدیل ماتریسی Matrix Transformation

• تبدیل ماتریسی Matrix Transformation

• تغییر مبنا و محور با استفاده از تبدیل ماتریس Change of Basis and Axis using Matrix Transformation

• تغییر مبنا و محور با استفاده از تبدیل ماتریس Change of Basis and Axis using Matrix Transformation

• مقادیر ویژه و بردارهای ویژه Eigenvalues and Eigenvectors

• مقادیر ویژه و بردارهای ویژه Eigenvalues and Eigenvectors

• جبر خطی Linear Algebra

• درک احتمال به زبان ساده Understanding probability in simple terms

• درک احتمال به زبان ساده Understanding probability in simple terms

• شرایط احتمال Probability Terms

• شرایط احتمال Probability Terms

• احتمال شرطی Conditional Probability

• احتمال شرطی Conditional Probability

• فرآیندهای تصادفی و متغیرهای تصادفی Random Processes and Random Variables

• فرآیندهای تصادفی و متغیرهای تصادفی Random Processes and Random Variables

• بنیاد احتمال Probability Foundation

-- قسمت 2: ریاضیات اساسی -- -- Part 2: Essential Mathematics --

• در این قسمت چه خواهید آموخت؟ What you will learn in this Part?

• کارکرد Functions

• مبانی جبر Algebra Foundations

• نرخ تغییر و محدودیت Rate of Change and Limits

• قوانین مشتق و عملیات Derivative Rules and Operations

• مشتقات دوگانه و یافتن ماکسیما Double Derivatives and finding Maxima

• مثال مشتقات دوگانه Double Derivatives example

• مشتقات جزئی و نزول گرادیان Partial Derivatives and Gradient Descent

• حساب دیفرانسیل و انتگرال Calculus

• جبر خطی Linear Algebra

• بنیاد احتمال Probability Foundation

علم داده و یادگیری ماشین چیست؟ What is Data Science and Machine Learning?

• نیاز به علم داده و یادگیری ماشین Need for Data Science and Machine Learning

• نیاز به علم داده و یادگیری ماشین Need for Data Science and Machine Learning

• انواع تجزیه و تحلیل Types of Analytics

• انواع تجزیه و تحلیل Types of Analytics

• رمزگشایی علم داده و یادگیری ماشین Decoding Data Science and Machine Learning

• چرخه حیات پروژه علم داده قسمت 1 Data Science Project Lifecycle Part 1

• چرخه حیات پروژه علم داده قسمت 1 Data Science Project Lifecycle Part 1

• چرخه حیات پروژه علم داده قسمت 2 Data Science Project Lifecycle Part 2

• چرخه حیات پروژه علم داده قسمت 2 Data Science Project Lifecycle Part 2

• چرخه حیات پروژه علم داده قسمت 3 Data Science Project Lifecycle Part 3

• چرخه حیات پروژه علم داده قسمت 3 Data Science Project Lifecycle Part 3

• چرخه حیات پروژه علم داده قسمت 4 Data Science Project Lifecycle Part 4

• دانشمند داده چه می کند و مهارت های مورد نیاز چیست؟ What does a Data Scientist do and the skills required?

• مبانی علم داده Data Science Basics

علم داده و یادگیری ماشین چیست؟ What is Data Science and Machine Learning?

• رمزگشایی علم داده و یادگیری ماشین Decoding Data Science and Machine Learning

• چرخه حیات پروژه علم داده قسمت 4 Data Science Project Lifecycle Part 4

• دانشمند داده چه می کند و مهارت های مورد نیاز چیست؟ What does a Data Scientist do and the skills required?

• مبانی علم داده Data Science Basics

-- قسمت 3: آمار اساسی -- -- Part 3: Essential Statistics --

• در این قسمت چه خواهید آموخت؟ What you will learn in this part?

-- قسمت 3: آمار اساسی -- -- Part 3: Essential Statistics --

• در این قسمت چه خواهید آموخت؟ What you will learn in this part?

آمار توصیفی Descriptive Statistics

• دیتا چیست؟ شناخت داده ها و عناصر آن What is Data? Understanding the Data and its elements.

• اندازه گیری گرایش مرکزی با استفاده از میانگین، میانه، حالت Measure of Central Tendency using Mean, Median, mode

• اندازه گیری پراکندگی با استفاده از انحراف استاندارد و واریانس Measure of Dispersion using Standard Deviation and variance

• اندازه گیری پراکندگی با استفاده از انحراف استاندارد و واریانس Measure of Dispersion using Standard Deviation and variance

• دست در دست - دریافت خلاصه آماری Hands on - Get Statistical Summary

• اندازه گیری پراکندگی با استفاده از درصد، محدوده و IQR Measure of Dispersion using Percentile, Range and IQR

• اندازه گیری پراکندگی با استفاده از درصد، محدوده و IQR Measure of Dispersion using Percentile, Range and IQR

آمار توصیفی Descriptive Statistics

• دیتا چیست؟ شناخت داده ها و عناصر آن What is Data? Understanding the Data and its elements.

• اندازه گیری گرایش مرکزی با استفاده از میانگین، میانه، حالت Measure of Central Tendency using Mean, Median, mode

• دست در دست - دریافت خلاصه آماری Hands on - Get Statistical Summary

تجسم داده ها Data Visualization

• اهمیت تجسم داده ها Importance of Data Visualization

• تجسم داده ها - جدول فرکانس، هیستوگرام و نمودار میله ای Data Visualization - Frequency Table, Histogram and Bar Chart

• تجسم داده ها - جدول فرکانس، هیستوگرام و نمودار میله ای Data Visualization - Frequency Table, Histogram and Bar Chart

• درک Boxplot برای داده های عددی Understanding Boxplot for Numerical Data

• پلات چیست؟ What is a Plot?

• Hands On - ایجاد طرح های خط Hands On - Create Line Plots

• Hands On - منوی شکل نمودار را درک کنید Hands On - Understand Plot Figure Menu

• Hands On - اولین نمودار نواری خود را ایجاد کنید Hands On - Create your first Bar Chart

• Hands On - ایجاد هیستوگرام داده ها Hands On - Create Histogram of Data

• Hands On - Plotting Boxplot Hands On - Plotting Boxplot

• تجسم داده ها برای داده های طبقه بندی شده Data Visualization for Categorical Data

• Hands On - Pie Charts قسمت 1 Hands On - Pie Charts Part 1

• Hands On - Pie Charts قسمت 1 Hands On - Pie Charts Part 1

• Hands On - Pie Charts قسمت 2 Hands On - Pie Charts Part 2

• Hands On - Scatter Plots Hands On - Scatter Plots

• Hands On - Scatter Plots Hands On - Scatter Plots

• Hands On - تصاویر MatplotLib برای ایجاد نمودارهای متعدد Hands On - MatplotLib Figures for creating multiple plots

• Hands On - طرح های فرعی برای ترسیم چند قطعه در یک شکل Hands On - Subplots for plotting multiple plots in one figure

• Hands On - طرح های فرعی برای ترسیم چند قطعه در یک شکل Hands On - Subplots for plotting multiple plots in one figure

• Hands On - سفارشی سازی عناصر طرح قسمت 1 Hands On - Customization of Plot elements Part 1

• Hands On - سفارشی سازی عناصر طرح قسمت 1 Hands On - Customization of Plot elements Part 1

• Hands On - سفارشی سازی عناصر طرح قسمت 2 Hands On - Customization of Plot elements Part 2

• Hands On - سفارشی سازی عناصر طرح قسمت 3 Hands On - Customization of Plot elements Part 3

• Hands On - سفارشی سازی عناصر طرح قسمت 4 Hands On - Customization of Plot elements Part 4

• اکنون پاداش خود را مطالبه کنید. Claim your reward now.

تجسم داده ها Data Visualization

• اهمیت تجسم داده ها Importance of Data Visualization

• درک Boxplot برای داده های عددی Understanding Boxplot for Numerical Data

• پلات چیست؟ What is a Plot?

• Hands On - ایجاد طرح های خط Hands On - Create Line Plots

• Hands On - منوی شکل نمودار را درک کنید Hands On - Understand Plot Figure Menu

• Hands On - اولین نمودار نواری خود را ایجاد کنید Hands On - Create your first Bar Chart

• Hands On - ایجاد هیستوگرام داده ها Hands On - Create Histogram of Data

• Hands On - Plotting Boxplot Hands On - Plotting Boxplot

• تجسم داده ها برای داده های طبقه بندی شده Data Visualization for Categorical Data

• Hands On - Pie Charts قسمت 2 Hands On - Pie Charts Part 2

• Hands On - تصاویر MatplotLib برای ایجاد نمودارهای متعدد Hands On - MatplotLib Figures for creating multiple plots

• Hands On - سفارشی سازی عناصر طرح قسمت 2 Hands On - Customization of Plot elements Part 2

• Hands On - سفارشی سازی عناصر طرح قسمت 3 Hands On - Customization of Plot elements Part 3

• Hands On - سفارشی سازی عناصر طرح قسمت 4 Hands On - Customization of Plot elements Part 4

• اکنون پاداش خود را مطالبه کنید. Claim your reward now.

آمار استنباطی، توزیع ها و فرضیه ها Inferential Statistics, Distributions and Hypothesis

• جمعیت در مقابل نمونه ها را درک کنید Understand Population Vs Samples

• تعصب نمونه چیست؟ What is a Sample Bias?

• همبستگی و علیت چیست؟ What is Correlation and Causality?

• کوواریانس و ماتریس کوواریانس چیست؟ What is Covariance and Covariance Matrix?

• کوواریانس و ماتریس کوواریانس چیست؟ What is Covariance and Covariance Matrix?

• تابع چگالی احتمال و توزیع Probability Density Function and Distributions

• تابع چگالی احتمال و توزیع Probability Density Function and Distributions

• توزیع های عادی Normal Distributions

• توزیع های عادی Normal Distributions

• توزیع های عادی استاندارد Standard Normal Distributions

• توزیع های نمونه گیری Sampling Distributions

• توزیع های نمونه گیری Sampling Distributions

• تئوری حد مرکزی Central Limit Theorem

• تئوری حد مرکزی Central Limit Theorem

• فاصله اطمینان - قسمت 1 Confidence Interval - Part 1

• فاصله اطمینان - قسمت 2 Confidence Interval - Part 2

• فاصله اطمینان - قسمت 2 Confidence Interval - Part 2

• فرضیه و فرضیه صفر در مقابل فرضیه جایگزین چیست؟ What is Hypothesis and Null Vs Alternate Hypothesis?

• فرضیه و فرضیه صفر در مقابل فرضیه جایگزین چیست؟ What is Hypothesis and Null Vs Alternate Hypothesis?

• اهمیت آماری چیست What is Statistical Significance

• اهمیت آماری چیست What is Statistical Significance

• نمونه های تست فرضیه Hypothesis Testing Examples

آمار استنباطی، توزیع ها و فرضیه ها Inferential Statistics, Distributions and Hypothesis

• جمعیت در مقابل نمونه ها را درک کنید Understand Population Vs Samples

• تعصب نمونه چیست؟ What is a Sample Bias?

• همبستگی و علیت چیست؟ What is Correlation and Causality?

• توزیع های عادی استاندارد Standard Normal Distributions

• فاصله اطمینان - قسمت 1 Confidence Interval - Part 1

• نمونه های تست فرضیه Hypothesis Testing Examples

-- قسمت 4: پیش پردازش داده -- -- Part 4: Data Pre-Processing --

• Hands On - وارد کردن کتابخانه برای خواندن و برش داده ها Hands On - Import Library to Read and Slice the data

• Hands On - وارد کردن کتابخانه برای خواندن و برش داده ها Hands On - Import Library to Read and Slice the data

• Hands On - اطلاعاتی را که با آنها سروکار دارید را درک کنید Hands On - Understand the data you are dealing with

• دست در دست - مدیریت ارزش های گمشده Hands On - Handling Missing Values

• Label-Encoding برای داده های طبقه بندی شده Label-Encoding for Categorical Data

• رمزگذاری دست روی برچسب Hands On Label Encoding

• رمزگذاری دست روی برچسب Hands On Label Encoding

• رمزگذاری داغ برای داده های طبقه بندی شده توضیح داده شده است Hot-Encoding for Categorical Data Explained

• رمزگذاری داغ برای داده های طبقه بندی شده توضیح داده شده است Hot-Encoding for Categorical Data Explained

• Hands On - Hot-Encoding برای داده های طبقه بندی شده Hands On - Hot-Encoding for Categorical Data

• عادی سازی داده ها - دلایل را درک کنید. Data normalization - Understand the reasons.

• Hands On - عادی سازی داده ها با استفاده از مقیاس کننده استاندارد Hands On - Data Normalization using Standard Scaler

• Hands On - عادی سازی داده ها با استفاده از مقیاس کننده استاندارد Hands On - Data Normalization using Standard Scaler

• Hands On - عادی سازی داده ها با استفاده از minmax Hands On - Data Normalization using minmax

• Hands On - عادی سازی داده ها با استفاده از minmax Hands On - Data Normalization using minmax

• Train and Test Data Split توضیح داده شده است Train and Test Data Split explained

• Hands On - آموزش و آزمایش تقسیم داده ها Hands On - Train and Test Data Split

• Hands On - آموزش و آزمایش تقسیم داده ها Hands On - Train and Test Data Split

-- قسمت 4: پیش پردازش داده -- -- Part 4: Data Pre-Processing --

• Hands On - اطلاعاتی را که با آنها سروکار دارید را درک کنید Hands On - Understand the data you are dealing with

• دست در دست - مدیریت ارزش های گمشده Hands On - Handling Missing Values

• Label-Encoding برای داده های طبقه بندی شده Label-Encoding for Categorical Data

• Hands On - Hot-Encoding برای داده های طبقه بندی شده Hands On - Hot-Encoding for Categorical Data

• عادی سازی داده ها - دلایل را درک کنید. Data normalization - Understand the reasons.

• Train and Test Data Split توضیح داده شده است Train and Test Data Split explained

-- قسمت 5: رگرسیون -------- -- Part 5: Regression --------

• در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

• در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

-- قسمت 5: رگرسیون -------- -- Part 5: Regression --------

• در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

رگرسیون خطی ساده Simple Linear Regression

• رگرسیون خطی ساده چیست؟ What is Simple Linear Regression

• حداقل مربعات معمولی و خطاهای رگرسیون Ordinary Least Square and Regression Errors

• حداقل مربعات معمولی و خطاهای رگرسیون Ordinary Least Square and Regression Errors

• پروژه 2 - پردازش داده ها Project 2 - Data Processing

• پروژه 2 - پردازش داده ها Project 2 - Data Processing

• پروژه 2 - مدل آموزش و آزمون Project 2 - Train and Test Model

• مدل را تست کنید و مقادیر Y را پیش بینی کنید Test the model and Predict Y Values

• مدل را تست کنید و مقادیر Y را پیش بینی کنید Test the model and Predict Y Values

• پروژه 2 - R-Squared و اهمیت آن Project 2 - R-Squared and its Importance

• پروژه 2 - امتیاز و ضرایب دریافت کنید Project 2 - Score and Get coefficients

• پروژه 2 - امتیاز و ضرایب دریافت کنید Project 2 - Score and Get coefficients

• پروژه 2 - محاسبه RMSE (ریشه میانگین مربعات خطا) Project 2 - Calculate RMSE (Root Mean Squared Error)

• پروژه 2 - محاسبه RMSE (ریشه میانگین مربعات خطا) Project 2 - Calculate RMSE (Root Mean Squared Error)

• پروژه 2 - پیش بینی ها را ترسیم کنید Project 2 - Plot the predictions

• پروژه 2 - پیش بینی ها را ترسیم کنید Project 2 - Plot the predictions

رگرسیون خطی ساده Simple Linear Regression

• رگرسیون خطی ساده چیست؟ What is Simple Linear Regression

• پروژه 2 - مدل آموزش و آزمون Project 2 - Train and Test Model

• پروژه 2 - R-Squared و اهمیت آن Project 2 - R-Squared and its Importance

رگرسیون خطی چندگانه Multiple Linear Regression

• درک رگرسیون خطی چندگانه Understanding the Multiple Linear Regression

• درک رگرسیون خطی چندگانه Understanding the Multiple Linear Regression

• پروژه 3 - پیش بینی های رگرسیون خطی چندگانه Project 3 - Multiple Linear Regression Predictions

• مسائل مربوط به رگرسیون خطی چندگانه Issues to deal with for Multiple Linear Regression

• درجه آزادی Degrees of Freedom

• R-Squared تنظیم شده است Adjusted R-Squared

• R-Squared تنظیم شده است Adjusted R-Squared

• مفروضات رگرسیون خطی چندگانه Assumptions of Multiple Linear Regression

• فرض خطی و چند خطی Linearity and Multicollinearity Assumption

• فرض خودهمبستگی Assumption of Autocorrelation

• دست روی - خود همبستگی طرح Hands on - Plot Autocorrelation

• دست روی - خود همبستگی طرح Hands on - Plot Autocorrelation

• دست در دست - ایجاد داده های تغییر یافته یا TimeLag Hands on - Create shifted or TimeLag Data

• فرض درون زایی Endogeneity Assumption

• نرمال بودن باقیمانده ها Normality of Residuals

• نرمال بودن باقیمانده ها Normality of Residuals

• فرض هوموسکاداستیسیته Assumption of Homoscadasticity

• فرض هوموسکاداستیسیته Assumption of Homoscadasticity

• دام متغیر ساختگی Dummy Variable trap

• دام متغیر ساختگی Dummy Variable trap

رگرسیون خطی چندگانه Multiple Linear Regression

• پروژه 3 - پیش بینی های رگرسیون خطی چندگانه Project 3 - Multiple Linear Regression Predictions

• مسائل مربوط به رگرسیون خطی چندگانه Issues to deal with for Multiple Linear Regression

• درجه آزادی Degrees of Freedom

• مفروضات رگرسیون خطی چندگانه Assumptions of Multiple Linear Regression

• فرض خطی و چند خطی Linearity and Multicollinearity Assumption

• فرض خودهمبستگی Assumption of Autocorrelation

• دست در دست - ایجاد داده های تغییر یافته یا TimeLag Hands on - Create shifted or TimeLag Data

• فرض درون زایی Endogeneity Assumption

پروژه 4 - پیش بینی تقاضای دوچرخه Kaggle Project 4 - Kaggle Bike Demand Predictions

• بیایید مشکل را درک کنیم Let's understand the problem

• بیایید مشکل را درک کنیم Let's understand the problem

• مراحل لازم برای حل مشکل Steps required to solve the problem

• داده ها را بخوانید و آماده کنید Read and Prepare Data

• داده ها را بخوانید و آماده کنید Read and Prepare Data

• تجزیه و تحلیل پایه داده ها Basic Analysis of Data

• تجزیه و تحلیل پایه داده ها Basic Analysis of Data

• تجسم داده ها از متغیرهای پیوسته Data Visualization of the Continuous Variables

• تجسم داده ها از متغیرهای پیوسته Data Visualization of the Continuous Variables

• تجسم داده ها از متغیرهای طبقه بندی شده Data Visualization of the Categorical Variables

• خلاصه کردن یافته های تجسم داده ها Summarize Data Visualization Findings

• خلاصه کردن یافته های تجسم داده ها Summarize Data Visualization Findings

• Outliers را بررسی کنید Check for Outliers

• Outliers را بررسی کنید Check for Outliers

• فرضیه چند خطی بودن را آزمایش کنید Test the Multicollinearity Assumption

• تست همبستگی خودکار در تقاضا Test Auto-correlation in Demand

• تست همبستگی خودکار در تقاضا Test Auto-correlation in Demand

• حل مشکل نرمال بودن Solving the problem of Normality

• حل مشکل خودهمبستگی Solving the problem of Autocorrelation

• حل مشکل خودهمبستگی Solving the problem of Autocorrelation

• ایجاد متغیرهای ساختگی Create Dummy Variables

• تقسیم آزمون قطار برای داده های سری زمانی Train-Test Split for the Time-Series Data

• تقسیم آزمون قطار برای داده های سری زمانی Train-Test Split for the Time-Series Data

• مدل را ایجاد کرده و RMSE را اندازه گیری کنید Create the Model and measure RMSE

• RMSLE را برای Kaggle محاسبه و اندازه گیری کنید Calculate and measure RMSLE for Kaggle

• RMSLE را برای Kaggle محاسبه و اندازه گیری کنید Calculate and measure RMSLE for Kaggle

پروژه 4 - پیش بینی تقاضای دوچرخه Kaggle Project 4 - Kaggle Bike Demand Predictions

• مراحل لازم برای حل مشکل Steps required to solve the problem

• تجسم داده ها از متغیرهای طبقه بندی شده Data Visualization of the Categorical Variables

• فرضیه چند خطی بودن را آزمایش کنید Test the Multicollinearity Assumption

• حل مشکل نرمال بودن Solving the problem of Normality

• ایجاد متغیرهای ساختگی Create Dummy Variables

• مدل را ایجاد کرده و RMSE را اندازه گیری کنید Create the Model and measure RMSE

-- قسمت 6: طبقه بندی --------- -- Part 6: Classification ---------

• در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

• در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

-- قسمت 6: طبقه بندی --------- -- Part 6: Classification ---------

• در این بخش چه چیزی یاد خواهید گرفت؟ What you will learn in this section?

رگرسیون لجستیک Logistic Regression

• رگرسیون لجستیک چیست؟ What is Logistic Regression?

• رگرسیون لجستیک چیست؟ What is Logistic Regression?

• پروژه 5 - پیش بینی مشکل تصویب وام Project 5 - Predict Loan Approval Problem Understanding

• پروژه 5 - پیش بینی مشکل تصویب وام Project 5 - Predict Loan Approval Problem Understanding

• پروژه 5 - پیش بینی تصویب وام قسمت 1 Project 5 - Predict Loan Approval Part 1

• پروژه 5 - پیش بینی تصویب وام قسمت 2 Project 5 - Predict Loan Approval Part 2

• پروژه 5 - پیش بینی تصویب وام قسمت 3 Project 5 - Predict Loan Approval Part 3

• پروژه 5 - پیش بینی تایید وام - ساخت رگرسیور لجستیک Project 5 - Predict Loan Approval - Build Logistic Regressor

• پروژه 5 - پیش بینی تایید وام - ساخت رگرسیور لجستیک Project 5 - Predict Loan Approval - Build Logistic Regressor

• پروژه 5 - پیش بینی تایید وام - Confusion Martix Project 5 - Predict Loan Approval - Confusion Martix

• پروژه 5 - پیش بینی تایید وام - Confusion Martix Project 5 - Predict Loan Approval - Confusion Martix

• ایجاد و تجزیه و تحلیل ماتریس سردرگمی Create and Analyse Confusion Matrix

• ایجاد و تجزیه و تحلیل ماتریس سردرگمی Create and Analyse Confusion Matrix

رگرسیون لجستیک Logistic Regression

• پروژه 5 - پیش بینی تصویب وام قسمت 1 Project 5 - Predict Loan Approval Part 1

• پروژه 5 - پیش بینی تصویب وام قسمت 2 Project 5 - Predict Loan Approval Part 2

• پروژه 5 - پیش بینی تصویب وام قسمت 3 Project 5 - Predict Loan Approval Part 3

ماشین‌های بردار پشتیبانی (SVM) Support Vector Machines (SVM)

• شهود حسی مشترک SVM Common Sensical Intuition of SVM

• شهود ریاضی SVM قسمت 1 Mathematical Intuition of SVM Part 1

• شهود ریاضی SVM قسمت 1 Mathematical Intuition of SVM Part 1

• شهود ریاضی SVM قسمت 2 Mathematical Intuition of SVM Part 2

• شهود ریاضی SVM قسمت 2 Mathematical Intuition of SVM Part 2

• دست روی - پیاده سازی ساده SVM Hands on - Simple Implementation of SVM

• توابع هسته SVM قسمت 1 SVM Kernel Functions Part 1

• توابع هسته SVM قسمت 1 SVM Kernel Functions Part 1

• توابع هسته SVM قسمت 2 SVM Kernel Functions Part 2

• توابع هسته SVM قسمت 2 SVM Kernel Functions Part 2

• انواع تابع هسته SVM SVM Kernel Function Types

• پروژه 6 - مشکل طبقه بندی IRIS Project 6 - IRIS Classification Problem

• پروژه 6 - پردازش داده ها Project 6 - Data Processing

• پروژه 6 - پردازش داده ها Project 6 - Data Processing

• پروژه 6 - آموزش و ایجاد مدل Project 6 - Train and create Model

• پروژه 6 - آموزش و ایجاد مدل Project 6 - Train and create Model

• پروژه 6 - ایجاد و مقایسه چند مدل Project 6 - Multiple Model Creation and comparison

ماشین‌های بردار پشتیبانی (SVM) Support Vector Machines (SVM)

• شهود حسی مشترک SVM Common Sensical Intuition of SVM

• دست روی - پیاده سازی ساده SVM Hands on - Simple Implementation of SVM

• انواع تابع هسته SVM SVM Kernel Function Types

• پروژه 6 - مشکل طبقه بندی IRIS Project 6 - IRIS Classification Problem

• پروژه 6 - ایجاد و مقایسه چند مدل Project 6 - Multiple Model Creation and comparison

درختان تصمیم Decision Trees

• شهود پشت درختان تصمیم Intuition Behind Decision Trees

• پروژه 7 - درک مشکل پیش بینی درآمد بزرگسالان Project 7 - Adult Income Prediction Problem Understanding

• پروژه 7 - پردازش داده ها Project 7 - Data Processing

• پروژه 7 - تقسیم داده ها و طبقه بندی کننده واردات Project 7 - Split data and Import Classifier

• پروژه 7 - تقسیم داده ها و طبقه بندی کننده واردات Project 7 - Split data and Import Classifier

• پروژه 7 - درختان تصمیم - پارامترها قسمت 1 Project 7 - Decision Trees - Parameters Part 1

• پروژه 7 - درختان تصمیم - پارامترها قسمت 2 Project 7 - Decision Trees - Parameters Part 2

• پروژه 7 - درختان تصمیم - پارامترها قسمت 2 Project 7 - Decision Trees - Parameters Part 2

• پروژه 7 - اجرا و ارزیابی مدل Project 7 - Run and Evaluate Model

• پروژه 7 - اجرا و ارزیابی مدل Project 7 - Run and Evaluate Model

درختان تصمیم Decision Trees

• شهود پشت درختان تصمیم Intuition Behind Decision Trees

• پروژه 7 - درک مشکل پیش بینی درآمد بزرگسالان Project 7 - Adult Income Prediction Problem Understanding

• پروژه 7 - پردازش داده ها Project 7 - Data Processing

• پروژه 7 - درختان تصمیم - پارامترها قسمت 1 Project 7 - Decision Trees - Parameters Part 1

جنگل تصادفی Random Forest

• مجموعه یادگیری و جنگل های تصادفی Ensemble Learning and Random Forests

• کوله بری و تقویت Bagging and Boosting

• کوله بری و تقویت Bagging and Boosting

• دست روی - اجرای جنگل تصادفی Hands on - Implement Random Forest

• دست روی - اجرای جنگل تصادفی Hands on - Implement Random Forest

جنگل تصادفی Random Forest

• مجموعه یادگیری و جنگل های تصادفی Ensemble Learning and Random Forests

مدل های طبقه بندی را ارزیابی کنید Evaluate Classification Models

• نیاز به ارزیابی و پارادوکس دقت Need for Evaluation and Accuracy Paradox

• نیاز به ارزیابی و پارادوکس دقت Need for Evaluation and Accuracy Paradox

• اقدامات ارزیابی طبقه بندی Classification Evaluation Measures

• دست در - معیارهای ارزیابی برای پروژه های پیش بینی وام Hands on - Evaluation Metrics for Loan Prediction projects

• دست در - معیارهای ارزیابی برای پروژه های پیش بینی وام Hands on - Evaluation Metrics for Loan Prediction projects

• آستانه و تنظیم آستانه چیست What is Threshold and Adjusting Thresholds

• دست روی - تنظیم آستانه Hands on - Adjusting Thresholds

• دست روی - تنظیم آستانه Hands on - Adjusting Thresholds

• Hands On - منحنی AUC ROC با استفاده از پایتون Hands On - AUC ROC Curve using Python

• Hands On - منحنی AUC ROC با استفاده از پایتون Hands On - AUC ROC Curve using Python

• رسم منحنی AUC ROC Drawing the AUC ROC Curve

• رسم منحنی AUC ROC Drawing the AUC ROC Curve

مدل های طبقه بندی را ارزیابی کنید Evaluate Classification Models

• اقدامات ارزیابی طبقه بندی Classification Evaluation Measures

• آستانه و تنظیم آستانه چیست What is Threshold and Adjusting Thresholds

-- قسمت 7: انتخاب ویژگی ------ -- Part 7: Feature Selection ------

• در این قسمت چه خواهید آموخت؟ What You will learn in this Part?

• در این قسمت چه خواهید آموخت؟ What You will learn in this Part?

-- قسمت 7: انتخاب ویژگی ------ -- Part 7: Feature Selection ------

انتخاب ویژگی تک متغیره Univariate Feature Selection

• اهمیت انتخاب ویژگی Feature Selection Importance

• انتخاب ویژگی تک متغیره چیست؟ What is Univariate Feature Selection?

• انتخاب ویژگی تک متغیره چیست؟ What is Univariate Feature Selection?

• F-Test برای رگرسیون و طبقه بندی F-Test for Regression and Classification

• Hands on F-test - بیان مسئله Hands on F-test - Problem Statement

• تست F Hands On - رگرسیون بدون انتخاب ویژگی Hands On F-test - Regression without feature selection

• تست F Hands On - رگرسیون بدون انتخاب ویژگی Hands On F-test - Regression without feature selection

• Hands on F-test - Pvalues ​​را چاپ و تجزیه و تحلیل کنید Hands on F-test - Print and analyse Pvalues

• Hands on F-test - Pvalues ​​را چاپ و تجزیه و تحلیل کنید Hands on F-test - Print and analyse Pvalues

• Hands on F-test - مقایسه نتایج با و بدون انتخاب ویژگی Hands on F-test - Compare Results with and without Feature Selection

• Hands on F-test - مقایسه نتایج با و بدون انتخاب ویژگی Hands on F-test - Compare Results with and without Feature Selection

• شهود Chi-Squared Chi-Squared Intuition

• شهود Chi-Squared Chi-Squared Intuition

• Scikitlearn - تبدیل های انتخاب ویژگی چیست؟ Scikitlearn - What are Feature Selection Transforms

• دست در دست - SelectKBest قسمت 1 Hands on - SelectKBest Part 1

• دست در دست - SelectKBest قسمت 1 Hands on - SelectKBest Part 1

• دست در دست - SelectKBest قسمت 2 Hands on - SelectKBest Part 2

• دست روی - SelectPercentile Hands on - SelectPercentile

• Hands on - Generic Univariate Select Hands on - Generic Univariate Select

• Hands on - Generic Univariate Select Hands on - Generic Univariate Select

انتخاب ویژگی تک متغیره Univariate Feature Selection

• اهمیت انتخاب ویژگی Feature Selection Importance

• F-Test برای رگرسیون و طبقه بندی F-Test for Regression and Classification

• Hands on F-test - بیان مسئله Hands on F-test - Problem Statement

• Scikitlearn - تبدیل های انتخاب ویژگی چیست؟ Scikitlearn - What are Feature Selection Transforms

• دست در دست - SelectKBest قسمت 2 Hands on - SelectKBest Part 2

• دست روی - SelectPercentile Hands on - SelectPercentile

حذف ویژگی بازگشتی Recursive Feature Elimination

• حذف ویژگی بازگشتی (RFE) چیست؟ What is Recursive Feature Elimination (RFE)?

• حذف ویژگی بازگشتی (RFE) چیست؟ What is Recursive Feature Elimination (RFE)?

• پروژه 8 - پیش بینی های بازاریابی تلفنی بانک درک مشکل Project 8 - Bank Telemarketing Predictions Problem Understanding

• پروژه 8 - ساخت مدل پیش بینی بدون RFE Project 8 - Build Prediction model without RFE

• پروژه 8 - ساخت مدل پیش بینی بدون RFE Project 8 - Build Prediction model without RFE

• پروژه 8 - RFE را پیکربندی کنید و نتایج را مقایسه کنید Project 8 - Configure RFE and Compare results

• پروژه 8 - RFE را پیکربندی کنید و نتایج را مقایسه کنید Project 8 - Configure RFE and Compare results

• پروژه 8 - امتیاز اهمیت ویژگی را دریافت کنید Project 8 - Get Feature Importance Score

حذف ویژگی بازگشتی Recursive Feature Elimination

• پروژه 8 - پیش بینی های بازاریابی تلفنی بانک درک مشکل Project 8 - Bank Telemarketing Predictions Problem Understanding

• پروژه 8 - امتیاز اهمیت ویژگی را دریافت کنید Project 8 - Get Feature Importance Score

-- قسمت 8: کاهش ابعاد -- -- Part 8: Dimensionality Reduction --

• چرا باید ابعاد و اهمیت PCA را کاهش داد؟ Why to reduce dimensions and Importance of PCA?

• شهود ریاضی PCA و مراحل محاسبه PCA Mathematical Intuition of PCA and Steps to calculate PCA

• شهود ریاضی PCA و مراحل محاسبه PCA Mathematical Intuition of PCA and Steps to calculate PCA

• پروژه 9 - پیاده سازی مدل بدون PCA Project 9 - Model Implementation without PCA

• پروژه 9 - تبدیل ابعاد به PCA Project 9 - Convert the Dimensions to PCA

• پروژه 9 - مقایسه نتایج پس از پیاده سازی PCA Project 9 - Compare results after PCA Implementation

• پروژه 9 - مقایسه نتایج پس از پیاده سازی PCA Project 9 - Compare results after PCA Implementation

-- قسمت 8: کاهش ابعاد -- -- Part 8: Dimensionality Reduction --

• چرا باید ابعاد و اهمیت PCA را کاهش داد؟ Why to reduce dimensions and Importance of PCA?

• پروژه 9 - پیاده سازی مدل بدون PCA Project 9 - Model Implementation without PCA

• پروژه 9 - تبدیل ابعاد به PCA Project 9 - Convert the Dimensions to PCA

---- قسمت 9 - منظم سازی ---- ---- Part 9 - Regularization ----

• مقدمه منظم سازی Regularization Introduction.

• Bias Variance Trade off چیست؟ What is Bias Variance Trade-off?

• رگرسیون ریج یا پنالتی L2 Ridge Regression or L2 Penalty

• رگرسیون ریج یا پنالتی L2 Ridge Regression or L2 Penalty

• دست روی - اجرای رگرسیون ریج Hands on - Implement Ridge Regression

• دست روی - اجرای رگرسیون ریج Hands on - Implement Ridge Regression

• دست روی - خط رگرسیون ریج طرح Hands on - Plot Ridge Regression Line

• دست روی - خط رگرسیون ریج طرح Hands on - Plot Ridge Regression Line

• دست روی - اثر لامبدا/آلفا Hands On - Effect of Lambda/Alpha

• دست روی - اثر لامبدا/آلفا Hands On - Effect of Lambda/Alpha

• نکته در مورد کد پیوست Note about attached code

• نکته در مورد کد پیوست Note about attached code

• رگرسیون کمند یا پنالتی L1 - دست روی دست Lasso Regression or L1 Penalty - Hands on

• قسمت 1 - L1 و L2 برای چند خطی بودن و انتخاب ویژگی Part 1 - L1 and L2 for Multicollinearity and Feature Selection

• قسمت 2 - L1 و L2 برای چند خطی و انتخاب ویژگی Part 2 - L1 and L2 for Multicollinearity and Feature Selection

• قسمت 2 - L1 و L2 برای چند خطی و انتخاب ویژگی Part 2 - L1 and L2 for Multicollinearity and Feature Selection

• قسمت 3 - L1 و L2 برای چند خطی و انتخاب ویژگی Part 3 - L1 and L2 for Multicollinearity and Feature Selection

• قسمت 3 - L1 و L2 برای چند خطی و انتخاب ویژگی Part 3 - L1 and L2 for Multicollinearity and Feature Selection

• تنظیم شبکه الاستیک Elasticnet Regularization

---- قسمت 9 - منظم سازی ---- ---- Part 9 - Regularization ----

• مقدمه منظم سازی Regularization Introduction.

• Bias Variance Trade off چیست؟ What is Bias Variance Trade-off?

• رگرسیون کمند یا پنالتی L1 - دست روی دست Lasso Regression or L1 Penalty - Hands on

• قسمت 1 - L1 و L2 برای چند خطی بودن و انتخاب ویژگی Part 1 - L1 and L2 for Multicollinearity and Feature Selection

• تنظیم شبکه الاستیک Elasticnet Regularization

---- قسمت 10 - انتخاب مدل ----- ---- Part 10 - Model Selection -----

• معرفی انتخاب مدل Model Selection Introduction

---- قسمت 10 - انتخاب مدل ----- ---- Part 10 - Model Selection -----

• معرفی انتخاب مدل Model Selection Introduction

اعتبارسنجی متقابل برای انتخاب مدل Cross Validation for Model Selection

• اعتبار سنجی متقاطع چیست؟ What is Cross Validation?

• چگونه اعتبار سنجی متقابل کار می کند How Cross Validation Works

• Hands On - برای اعتبارسنجی متقاطع آماده شوید Hands On - Prepare for Cross Validation

• Hands On - پارامتر و اجرای Cross Validation Hands On - Parameter and implementation of Cross Validation

• Hands On - نتایج Cross Validation را درک کنید Hands On - Understand the results of Cross Validation

• Hands On - نتایج Cross Validation را درک کنید Hands On - Understand the results of Cross Validation

• Hands On - نتیجه را تجزیه و تحلیل کنید Hands On - Analyse the Result

• Hands On - نتیجه را تجزیه و تحلیل کنید Hands On - Analyse the Result

اعتبارسنجی متقابل برای انتخاب مدل Cross Validation for Model Selection

• اعتبار سنجی متقاطع چیست؟ What is Cross Validation?

• چگونه اعتبار سنجی متقابل کار می کند How Cross Validation Works

• Hands On - برای اعتبارسنجی متقاطع آماده شوید Hands On - Prepare for Cross Validation

• Hands On - پارامتر و اجرای Cross Validation Hands On - Parameter and implementation of Cross Validation

تنظیم فراپارامتر برای انتخاب مدل Hyperparameter Tuning for Model Selection

• تنظیم Hyperparameter چیست؟ What is Hyperparameter Tuning?

• تنظیم Hyperparameter چیست؟ What is Hyperparameter Tuning?

• جستجوی شبکه ای و رویکرد جستجوی تصادفی Grid Search and Randomized Search Approach

• قسمت 1 - پارامترهای GridSearchCV توضیح داده شده است Part 1 - GridSearchCV Parameters Explained

• قسمت 2 - Object GirdSearchCV را ایجاد کنید Part 2 - Create GirdSearchCV Object

• قسمت 3 - داده ها را به GridSearchCV برسانید Part 3 - Fit data to GridSearchCV

• قسمت 4 - نتایج GridSearchCV را درک کنید Part 4 - Understand GridSearchCV Results

• قسمت 4 - نتایج GridSearchCV را درک کنید Part 4 - Understand GridSearchCV Results

• قسمت 5 - GridSearchCV با استفاده از رگرسیون لجستیک Part 5 - GridSearchCV using Logistic Regression

• قسمت 6 - GridSearchCV با استفاده از بردار پشتیبانی Part 6 - GridSearchCV using Support Vector

• قسمت 7 - بهترین مدل را انتخاب کنید Part 7 - Select Best Model

• قسمت 7 - بهترین مدل را انتخاب کنید Part 7 - Select Best Model

• قسمت 8 - جستجوی تصادفی Part 8 - Randomized Search

• خلاصه انتخاب مدل Model Selection Summary

• خلاصه انتخاب مدل Model Selection Summary

تنظیم فراپارامتر برای انتخاب مدل Hyperparameter Tuning for Model Selection

• جستجوی شبکه ای و رویکرد جستجوی تصادفی Grid Search and Randomized Search Approach

• قسمت 1 - پارامترهای GridSearchCV توضیح داده شده است Part 1 - GridSearchCV Parameters Explained

• قسمت 2 - Object GirdSearchCV را ایجاد کنید Part 2 - Create GirdSearchCV Object

• قسمت 3 - داده ها را به GridSearchCV برسانید Part 3 - Fit data to GridSearchCV

• قسمت 5 - GridSearchCV با استفاده از رگرسیون لجستیک Part 5 - GridSearchCV using Logistic Regression

• قسمت 6 - GridSearchCV با استفاده از بردار پشتیبانی Part 6 - GridSearchCV using Support Vector

• قسمت 8 - جستجوی تصادفی Part 8 - Randomized Search

-- قسمت 11: یادگیری عمیق ---- -- Part 11: Deep Learning ----

• نورون و شبکه عصبی مصنوعی چیست؟ What is Neuron and Artificial Neural Network?

• شبکه عصبی مصنوعی چگونه کار می کند؟ How Artificial Neural Network works?

• Keras و Tensorflow چیست؟ What is Keras and Tensorflow?

• تانسور در تنسورفلو چیست؟ What is a Tensor in Tensorflow?

• تانسور در تنسورفلو چیست؟ What is a Tensor in Tensorflow?

• نصب Keras، Backend و Tensorflow Installing Keras, backend and Tensorflow

• ساختمان و پله های مدل کراس Keras Model Building and Steps

• ساختمان و پله های مدل کراس Keras Model Building and Steps

• لایه ها - نمای کلی و پارامترها Layers - Overview and Parameters

• لایه ها - نمای کلی و پارامترها Layers - Overview and Parameters

• توابع فعال سازی Activation Functions

• لایه ها - تابع فعال سازی Softmax Layers - Softmax Activation Function

• تابع ضرر چیست؟ What is a Loss Function?

• تابع ضرر چیست؟ What is a Loss Function?

• توابع از دست دادن آنتروپی متقابل Cross Entropy Loss Functions

• بهینه سازی - چیست؟ Optimization - What is it?

• بهینه سازی - چیست؟ Optimization - What is it?

• بهینه سازی - نزول گرادیان Optimization - Gradient Descent

• بهینه سازی - نزول گرادیان تصادفی Optimization - Stochastic Gradient Descent

• بهینه سازی - نزول گرادیان تصادفی Optimization - Stochastic Gradient Descent

• بهینه سازی - SGD با مومنتوم Optimization - SGD with Momentum

• بهینه سازی - SGD با میانگین متحرک نمایی Optimization - SGD with Exponential Moving Average

• بهینه سازی - Adagrad و RMSProp برای کاهش نرخ یادگیری Optimization - Adagrad and RMSProp for Learning rate decay

• بهینه سازی - آدم Optimization - Adam

• Initializers - ناپدید شدن و انفجار مشکل گرادیان Initializers - Vanishing and Exploding Gradient Problem

• لایه ها - Initializers توضیح داده شده است Layers - Initializers explained

• پروژه 10 - مشکل را درک کنید Project 10 - Understand the Problem

• پروژه 10 - داده ها را بخوانید و پردازش کنید Project 10 - Read and process the data

• پروژه 10 - داده ها را بخوانید و پردازش کنید Project 10 - Read and process the data

• پروژه 10 - مدل شبکه عصبی Keras را تعریف کنید Project 10 - Define the Keras Neural Network Model

• پروژه 10 - مدل شبکه عصبی Keras را تعریف کنید Project 10 - Define the Keras Neural Network Model

• پروژه 10 - مدل شبکه عصبی Keras را تدوین کنید Project 10 - Compile the Keras Neural Network Model

• پروژه 10 - مدل شبکه عصبی Keras را تدوین کنید Project 10 - Compile the Keras Neural Network Model

• پروژه 10 - نتیجه را ارزیابی کنید Project 10 - Evaluate the result

• پروژه 10 - نتیجه را ارزیابی کنید Project 10 - Evaluate the result

-- قسمت 11: یادگیری عمیق ---- -- Part 11: Deep Learning ----

• نورون و شبکه عصبی مصنوعی چیست؟ What is Neuron and Artificial Neural Network?

• شبکه عصبی مصنوعی چگونه کار می کند؟ How Artificial Neural Network works?

• Keras و Tensorflow چیست؟ What is Keras and Tensorflow?

• نصب Keras، Backend و Tensorflow Installing Keras, backend and Tensorflow

• توابع فعال سازی Activation Functions

• لایه ها - تابع فعال سازی Softmax Layers - Softmax Activation Function

• توابع از دست دادن آنتروپی متقابل Cross Entropy Loss Functions

• بهینه سازی - نزول گرادیان Optimization - Gradient Descent

• بهینه سازی - SGD با مومنتوم Optimization - SGD with Momentum

• بهینه سازی - SGD با میانگین متحرک نمایی Optimization - SGD with Exponential Moving Average

• بهینه سازی - Adagrad و RMSProp برای کاهش نرخ یادگیری Optimization - Adagrad and RMSProp for Learning rate decay

• بهینه سازی - آدم Optimization - Adam

• Initializers - ناپدید شدن و انفجار مشکل گرادیان Initializers - Vanishing and Exploding Gradient Problem

• لایه ها - Initializers توضیح داده شده است Layers - Initializers explained

• پروژه 10 - مشکل را درک کنید Project 10 - Understand the Problem

---- قسمت 12 - خوشه بندی یا تجزیه و تحلیل خوشه ای ---- ---- Part 12 - Clustering or Cluster Analysis ----

• خوشه بندی چیست؟ What is Clustering?

• خوشه بندی چیست؟ What is Clustering?

• خوشه ها چگونه تشکیل می شوند؟ How the clusters are formed?

• پروژه 11 - درک مسئله Project 11 - Problem Understanding

• پروژه 11 - درک مسئله Project 11 - Problem Understanding

• پروژه 11 - داده ها را دریافت، تجسم و عادی سازی کنید Project 11 - Get, Visualize and Normalize the data

• پروژه 11 - وارد کردن KMeans و درک پارامترها Project 11 - Import KMeans and Understand Parameters

• پروژه 11 - وارد کردن KMeans و درک پارامترها Project 11 - Import KMeans and Understand Parameters

• پروژه 11 - درک روش اولیه سازی KMeans++ Project 11 - Understanding KMeans++ Initialization Method

• پروژه 11 - ایجاد خوشه Project 11 - Create Clusters

• پروژه 11 - تجسم و ایجاد تعداد متفاوتی از خوشه ها Project 11 -Visualize and create different number of clusters

• درک روش آرنج برای تعیین تعداد خوشه Understand Elbow Method to Decide number of Cluster

• پروژه 11 - روش آرنج را اجرا کنید Project 11 - Implement Elbow Method

• پروژه 11 - روش آرنج را اجرا کنید Project 11 - Implement Elbow Method

• چگونه از خوشه بندی برای کسب و کار استفاده کنیم؟ How to use clustering for business?

• چگونه از خوشه بندی برای کسب و کار استفاده کنیم؟ How to use clustering for business?

---- قسمت 12 - خوشه بندی یا تجزیه و تحلیل خوشه ای ---- ---- Part 12 - Clustering or Cluster Analysis ----

• خوشه ها چگونه تشکیل می شوند؟ How the clusters are formed?

• پروژه 11 - داده ها را دریافت، تجسم و عادی سازی کنید Project 11 - Get, Visualize and Normalize the data

• پروژه 11 - درک روش اولیه سازی KMeans++ Project 11 - Understanding KMeans++ Initialization Method

• پروژه 11 - ایجاد خوشه Project 11 - Create Clusters

• پروژه 11 - تجسم و ایجاد تعداد متفاوتی از خوشه ها Project 11 -Visualize and create different number of clusters

• درک روش آرنج برای تعیین تعداد خوشه Understand Elbow Method to Decide number of Cluster

راه رو به جلو. Way Forward.

• سخنرانی پاداش و دریافت گواهینامه. Bonus Lecture and Get Certified.

• سخنرانی پاداش و دریافت گواهینامه. Bonus Lecture and Get Certified.

راه رو به جلو. Way Forward.