آموزش مبانی یادگیری ماشین و پایتون برای علوم داده - آخرین آپدیت

دانلود Foundations of ML & Python for Data Science

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای قابلیت Coursera Coach است! روشی هوشمندتر برای یادگیری با گفتگوهای تعاملی و آنی که به شما کمک می‌کند تا دانش خود را آزمایش کنید، پیش‌فرض‌ها را به چالش بکشید و با پیشروی در دوره، درک خود را عمیق‌تر کنید. در این دوره، شما یک پایه قوی در یادگیری ماشین (ML) و برنامه‌نویسی پایتون کسب خواهید کرد که مهارت‌های ضروری برای هر متخصص علوم داده است. در پایان این دوره، درک عمیقی از مفاهیم بنیادی یادگیری ماشین، تکنیک‌های آماری و نحوه استفاده از پایتون برای تحلیل داده‌های واقعی و مدل‌سازی خواهید داشت. شما قادر خواهید بود این مفاهیم را در طیف وسیعی از صنایع و مسائل داده‌محور به کار بگیرید. دوره با معرفی مفاهیم اصلی یادگیری ماشین آغاز می‌شود. شما با اصطلاحات کلیدی، انواع مختلف الگوریتم‌های ML و موارد استفاده در دنیای واقعی آشنا خواهید شد. این بخش با ایجاد درک درست از نحوه کاربرد یادگیری ماشین در صنایع مختلف، زمینه را برای مباحث پیشرفته‌تر آماده می‌کند. همچنین خواهید آموخت که چگونه با رویکردی درست، مسائل را با استفاده از ML حل کنید و زیربنای مسیر یادگیری خود را بسازید. پس از مقدمه، دوره به بررسی تکنیک‌های ضروری آماری، از جمله احتمال، آزمون فرضیه و درک توزیع داده‌ها می‌پردازد. این مفاهیم برای طراحی و تفسیر دقیق مدل‌های یادگیری ماشین حیاتی هستند. شما همچنین یاد می‌گیرید که چگونه عملکرد مدل را با استفاده از این تکنیک‌ها ارزیابی کنید تا سیستم‌های یادگیری ماشین مستحکم و موثری بسازید. این دوره همچنین یک راهنمای جامع برای برنامه‌نویسی پایتون ارائه می‌دهد. شما بر کتابخانه‌های ضروری مانند NumPy و Pandas که برای مدیریت و تحلیل داده‌ها در وظایف یادگیری ماشین نقشی محوری دارند، مسلط خواهید شد. علاوه بر این، برای تمرین کدنویسی، کاوش در داده‌ها و اجرای بهینه الگوریتم‌های یادگیری ماشین، با Jupyter Notebooks کار خواهید کرد. این دوره برای مبتدیان یا متخصصانی که قصد انتقال به حوزه علوم داده را دارند ایده‌آل است؛ هیچ تجربه قبلی مورد نیاز نیست، اگرچه آشنایی اولیه با برنامه‌نویسی مفید خواهد بود.

سرفصل ها و درس ها

مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

  • مقدمه‌ای بر تخصص Introduction to the Specialization

  • آشنایی با یادگیری ماشین Introduction to Machine Learning

  • اصطلاحات یادگیری ماشین Machine Learning Terminology

  • تاریخچه یادگیری ماشین History of Machine Learning

  • انواع و موارد کاربرد یادگیری ماشین Machine Learning Use Cases and Types

  • نقش داده‌ها در یادگیری ماشین Role of Data in Machine Learning

  • چالش‌های یادگیری ماشین Challenges in Machine Learning

  • چرخه حیات و خط لوله‌های یادگیری ماشین Machine Learning Life Cycle and Pipelines

  • مسائل رگرسیون Regression Problems

  • مدل‌های رگرسیون و معیارهای ارزیابی عملکرد Regression Models and Performance Metrics

  • مسائل طبقه‌بندی و معیارهای ارزیابی عملکرد Classification Problems and Performance Metrics

  • بهینه‌سازی معیارهای طبقه‌بندی Optimizing Classification Metrics

  • بایاس (تورش) و واریانس Bias and Variance

تکنیک‌های آماری Statistical Techniques

  • آمار و آزمایش‌ها Statistics and Experiments

  • انواع داده‌ها و آمار توصیفی Types of Data and Descriptive Statistics

  • متغیرهای تصادفی و توزیع نرمال Random Variables and Normal Distribution

  • هیستوگرام‌ها و تقریب نرمال Histograms and Normal Approximation

  • قضیه حد مرکزی Central Limit Theorem

  • تئوری احتمال Probability Theory

  • تئوری دوجمله‌ای، مقدار مورد انتظار و خطای استاندارد Binomial Theory - Expected Value and Standard Error

  • آزمون فرضیه Hypothesis Testing

آموزش پایتون Learning Python

  • مقدمه‌ای بر پایتون Introduction to Python

  • شروع کار با پایتون در Jupyter Notebook Starting with Python with Jupyter Notebook

  • متغیرها و شرط‌ها در پایتون Python Variables and Conditions

  • حلقه‌ها و تکرارها در پایتون ۱ Python Iterations 1

  • حلقه‌ها و تکرارها در پایتون ۲ Python Iterations 2

  • لیست‌ها در پایتون Python Lists

  • تاپل‌ها در پایتون Python Tuples

  • دیکشنری‌ها در پایتون ۱ Python Dictionaries 1

  • دیکشنری‌ها در پایتون ۲ Python Dictionaries 2

  • مجموعه‌ها در پایتون ۱ Python Sets 1

  • مجموعه‌ها در پایتون ۲ Python Sets 2

  • آرایه‌های NumPy ۱ Numpy Arrays 1

  • آرایه‌های NumPy ۲ Numpy Arrays 2

  • آرایه‌های NumPy ۳ Numpy Arrays 3

  • Pandas Series ۱ Pandas Series 1

  • Pandas Series ۲ Pandas Series 2

  • Pandas Series ۳ Pandas Series 3

  • Pandas Series ۴ Pandas Series 4

  • Pandas DataFrame ۱ Pandas DataFrame 1

  • Pandas DataFrame ۲ Pandas DataFrame 2

  • Pandas DataFrame ۳ Pandas DataFrame 3

  • Pandas DataFrame ۴ Pandas DataFrame 4

  • Pandas DataFrame ۵ Pandas DataFrame 5

  • Pandas DataFrame ۶ Pandas DataFrame 6

  • توابع تعریف شده توسط کاربر در پایتون Python User Defined Functions

  • توابع Lambda در پایتون Python Lambda Functions

  • توابع Lambda و عملیات تاریخ و زمان Python Lambda Functions and Date-Time Operations

  • عملیات رشته‌ها در پایتون Python String Operations

نمایش نظرات

آموزش مبانی یادگیری ماشین و پایتون برای علوم داده
جزییات دوره
14h 15m
49
(آخرین آپدیت)
658
- 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