آموزش تسلط بر یادگیری ماشین: نقشه راه ML را با پروژه ها کامل کنید

Machine Learning Mastery: Complete ML RoadMap with Projects

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: از اصول اولیه تا تکنیک‌های پیشرفته - یادگیری ماشینی استاد از طریق پروژه‌های عملی مفاهیم پایتون، یادگیری ماشین، یادگیری عمیق، سری زمانی را بیاموزید. اجرای پروژه های دنیای واقعی با اثبات مفهوم این دوره شامل 25+ ساعت محتوای ویدیویی و فایل های قابل دانلود برای همه ویدیوها است. پیش نیاز یادگیری ماشین اما برای درک تئوری و تکنیک های مورد استفاده باید از پیشینه مهندسی/علم/ریاضی/آمار باشید. شما باید در ریاضیات خوب باشید. اگر اینطور نیستید، باز هم می توانید یادگیری ماشینی را انجام دهید، اما هنگام حل مسائل پیچیده دنیای واقعی با مشکل مواجه خواهید شد. بسیاری می گویند که شما باید جبر خطی، حساب دیفرانسیل و انتگرال و غیره را بدانید، اما من هرگز آن را یاد نگرفتم، با این حال می توانم روی یادگیری ماشین کار کنم.

به حوزه یادگیری ماشینی علاقه دارید؟ پس این دوره برای شما مناسب است!

این دوره توسط دو دانشمند داده حرفه ای طراحی شده است تا بتوانیم دانش خود را به اشتراک بگذاریم و به شما کمک کنیم تئوری پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به روشی ساده بیاموزید.

یک نقشه راه که بسیاری از مهم‌ترین مفاهیم در یادگیری ماشین را به هم متصل می‌کند، چگونه آنها را یاد بگیریم و از چه ابزارهایی برای اجرای آنها استفاده کنیم.

در زیر چند کاربرد یادگیری ماشینی در دنیای واقعی عملی آورده شده است

  1. یادگیری ماشینی می‌تواند به تشخیص بیماری‌ها کمک کند. بسیاری از پزشکان از ربات چت با قابلیت تشخیص گفتار برای تشخیص الگوهای علائم استفاده می کنند. مثال‌های واقعی برای تشخیص پزشکی: کمک در فرمول‌بندی تشخیص یا توصیه یک گزینه درمانی.

  2. Google Maps از یادگیری ماشینی در ترکیب با منابع داده مختلف از جمله داده‌های مکان انبوه، الگوهای ترافیک تاریخی، داده‌های دولت محلی و بازخورد بی‌درنگ کاربران برای پیش‌بینی ترافیک استفاده می‌کند.

پایتون پیشتاز این بسته است، با 57٪ از دانشمندان داده و توسعه دهندگان یادگیری ماشین از آن استفاده می کنند و 33٪ آن را برای توسعه در اولویت قرار می دهند. بنابراین، در این دوره همچنین می‌توانید مبانی پایتون را یاد بگیرید تا تکنیک‌های پیشرفته مدل‌های یادگیری عمیق را ارتقا دهید.

در این دوره 4 بخش مختلف برای درک کامل کلیه مفاهیم هوش مصنوعی مانند پایتون، یادگیری ماشین، یادگیری عمیق، تجزیه و تحلیل سری زمانی وجود دارد.
این دوره سرگرم کننده و هیجان انگیز است، اما در عین حال ، ما عمیقاً در یادگیری ماشین فرو می رویم. ساختار آن به صورت زیر است:


PYTHON -

ساختارهای داده، فهرست، تاپل ها، فرهنگ لغت، کتابخانه ها، توابع، اپراتورها و غیره

پاکسازی و پیش پردازش داده


یادگیری ماشینی -

رگرسیون: رگرسیون خطی ساده، SVR، درخت تصمیم، جنگل تصادفی،

خوشه‌بندی: K-Means، الگوریتم‌های خوشه‌بندی سلسله مراتبی

طبقه‌بندی: رگرسیون لجستیک، هسته SVM، بی‌سابقه، طبقه‌بندی درخت تصمیم، طبقه‌بندی جنگل تصادفی

پردازش زبان طبیعی: مدل و الگوریتم‌های مجموعه کلمات برای NLP


یادگیری عمیق -

شبکه‌های عصبی مصنوعی، شبکه‌های عصبی کانولوشنال، شبکه‌های عصبی مکرر، حافظه کوتاه‌مدت، Vgg16، یادگیری انتقال، برنامه فلاسک مبتنی بر وب.

علاوه بر این، این دوره مملو از تمرین‌های عملی است که مبتنی بر مثال‌های واقعی است. بنابراین نه تنها تئوری را یاد می گیرید، بلکه تمرین عملی ساختن مدل های خود را نیز خواهید داشت.


این دوره برای چه کسانی است:

هر کسی که به یادگیری ماشین علاقه دارد.

دانش آموزانی که حداقل دانش دبیرستانی در ریاضیات دارند و می خواهند یادگیری ماشینی را شروع کنند.

همه افراد سطح متوسطی که اصول یادگیری ماشین را می‌دانند، از جمله الگوریتم‌های کلاسیک مانند رگرسیون خطی یا رگرسیون لجستیک، اما می‌خواهند درباره آن اطلاعات بیشتری کسب کنند و همه زمینه‌های مختلف یادگیری ماشین را کشف کنند.

همه افرادی که با کدنویسی چندان راحت نیستند اما به یادگیری ماشین علاقه مند هستند و می خواهند آن را به راحتی در مجموعه داده ها اعمال کنند.

هر دانش‌آموزی در کالج که می‌خواهد شغلی در علم داده شروع کند.

هر تحلیلگر داده ای که می خواهد در یادگیری ماشینی سطح بالاتری داشته باشد.

همه افرادی که از شغل خود راضی نیستند و می خواهند دانشمند داده شوند.

همه افرادی که می خواهند با استفاده از ابزارهای یادگیری ماشینی قدرتمند، ارزش افزوده ای برای کسب و کار خود ایجاد کنند.


امیدوارم از این دوره لذت ببرید. من شما را در دوره می بینم.


سرفصل ها و درس ها

Python Primer: سفری مبتدی به اصول پایتون Python Primer: A Beginner's Journey into Python's Fundamentals

  • Python Essentials: Exploring Data Structures and String Operations Python Essentials: Exploring Data Structures and String Operations

  • تسلط پایتون: استفاده از قدرت لامبدا، بازگشت و توابع Python Mastery: Harnessing the Power of Lambda, Recursion, and Functions

  • پایتون برای تجزیه و تحلیل داده ها: کتابخانه ها، تجزیه و تحلیل داده های اکتشافی، و توصیفی Python for Data Analysis: Libraries, Exploratory Data Analysis, and Descriptive

  • بینش مصاحبه پایتون: سوالات کلیدی و استراتژی ها Python Interview Insights: Key Questions and Strategies

مبانی یادگیری ماشین: راهنمای مبتدیان برای مبانی ML Machine Learning Foundations: A Beginner's Guide to the Basics of ML

  • آغازگر یادگیری ماشین: کاوش رگرسیون لجستیک - یک الگوریتم کلاسیک Machine Learning Primer: Exploring Logistic Regression - A Classical Algorithms

  • بینش یادگیری ماشین: تکنیک‌های جاسازی کلمه - BoW، TF-IDF، Word2Vec Machine Learning Insights: Word Embedding Techniques - BoW, TF-IDF, Word2Vec

  • پیش پردازش متن یادگیری ماشینی: تمیز کردن و آماده سازی داده های مرورهای آمازون Machine Learning Text Preprocessing: Cleaning and Preparing Amazon Reviews Data

  • مجموعه داده های خام را بگیرید و با تمام مفاهیمی که در ماژول NLP آموخته اید بازی کنید Take Raw Data Set and Play with All the concepts you have learned in NLP Module

  • مبانی یادگیری ماشین: کاوش رگرسیون خطی - الگوی کلاسیک Machine Learning Fundamentals: Exploring Linear Regression - A Classical Algo

  • ملزومات یادگیری ماشین: درک طبقه‌بندی‌کننده درخت تصمیم، رگرسیون Machine Learning Essentials: Understanding Decision Tree Classifier, Regression

  • بینش یادگیری ماشین: شهود هندسی مدل‌های گروه و فلاسک Machine Learning Insights: Geometric Intuition of Ensemble Models and Flask

  • تجزیه و تحلیل داده های یادگیری ماشین: بررسی وضعیت تایید وام با پیش بینی Machine Learning Data Analysis: Exploring Loan Approval Status with Predictive

  • Unleashed Learning Machine: Unveiling K-means Clustering Techniques for Unsuperv Machine Learning Unleashed: Unveiling K-means Clustering Techniques for Unsuperv

  • تعداد دوره های مختلف را اعمال کنید و سعی کنید نتایج دقت را کاهش دهید Apply different number of epochs and try to decrease accuracy results

Deep Learning Demystified: مقدمه ای بر مبانی یادگیری عمیق Deep Learning Demystified: An Introduction to the Basics of Deep Learning

  • مبانی یادگیری عمیق: کاوش در شبکه های عصبی، MLP، و انتشار پس زمینه Deep Learning Foundations: Exploring Neural Networks, MLP, and Backpropagation

  • فرو رفتن عمیق در یادگیری عمیق: درک عمیق RNN و LSTM با مثال Deep Dive into Deep Learning:In-depth Understanding of RNN and LSTM with Example

  • بینش یادگیری عمیق: پرده برداری از شهود پشت چشم انداز رایانه و CNN Deep Learning Insights: Unveiling the Intuition Behind Computer Vision and CNN

  • ماجراهای یادگیری عمیق: تسلط بر شبکه های عصبی کانولوشن با پیتزا Deep Learning Adventures: Mastering Convolutional Neural Networks with Pizza

  • راهنمای عملی یادگیری عمیق: آموزش انتقال با مدل VGG16 و عملی Deep Learning Practical Guide: Transfer Learning with VGG16 Model & Hands-on

  • برنامه وب یادگیری عمیق: ساختن یک سیستم تشخیص حیوانات وحشی با CNN Deep Learning Web App: Building a Wild Animal Recognition System with CNN

بینش سری های زمانی: مقدمه ای بر مبانی تحلیل سری های زمانی Time Series Insights: An Introduction to the Basics of Time Series Analysis

  • سری زمانی رونمایی شد: بررسی ویژگی ها و تجزیه سری های زمانی Time Series Unveiled: Exploring Characteristics and Decomposition of Time Series

  • تسلط بر سری های زمانی: بهترین روش ها در احتمال، آمار و پیش بینی Time Series Mastery: Best Practices in Probability, Statistics, and Forecasting

  • تجزیه و تحلیل سری های زمانی در عمل: کاوش داده های پزشکی برای بینش های عملی Time Series Analysis in Practice: Exploring Medical Data for Practical Insights

پروژه پیش بینی کرایه پرواز-1: پیش بینی و تجزیه و تحلیل قیمت بلیط پرواز Flight Fare Prediction Project-1: Predicting and Analyzing Flight Ticket Prices

  • پروژه پیش بینی کرایه پرواز-1: پیش بینی و تجزیه و تحلیل قیمت بلیط پرواز Flight Fare Prediction Project-1: Predicting and Analyzing Flight Ticket Prices

  • مهندسی ویژگی و مدل‌های کلاسیک ML: افزایش پیش‌بینی کرایه پرواز Feature Engineering and Classical ML Models: Enhancing Flight Fare Prediction

  • استقرار مدل پیش‌بینی کرایه پرواز با چارچوب فلاسک: ساخت پیش‌بینی Deploying the Flight Fare Prediction Model with Flask Framework: Making Predicti

پروژه طبقه بندی قارچ-2: تجزیه و تحلیل داده های اکتشافی برای Insightful Mushroom Classification Project-2: Exploratory Data Analysis for Insightful

  • پروژه طبقه بندی قارچ-2: تجزیه و تحلیل داده های اکتشافی برای Insightful Mushroom Classification Project-2: Exploratory Data Analysis for Insightful

  • ساخت مدل معیار و ارزیابی: ایجاد یک خط مبنا Building the Benchmark Model and Evaluation: Establishing a Baseline

پروژه طبقه بندی کاربردی مهد کودک-3: تحلیل رگرسیون Nursery School Application Classification Project-3: Regression Analysis

  • پروژه طبقه بندی کاربردی مهد کودک-3: تحلیل رگرسیون Nursery School Application Classification Project-3: Regression Analysis

  • رگرسیون لجستیک، SVM، مدل های درخت تصمیم و معیارهای ارزیابی: پیش بینی Logistic Regression, SVM, Decision Tree Models & Evaluation Metrics: Predictive

پروژه طبقه بندی نظرات سمی-4: شناسایی و تجزیه و تحلیل سموم Toxic Comments Classification Project-4 : Identifying and Analyzing Toxic

  • پروژه طبقه بندی نظرات سمی-4: شناسایی و تجزیه و تحلیل سموم Toxic Comments Classification Project-4 : Identifying and Analyzing Toxic

  • تجسم NLP: کاوش توالی های توکن شده برای تجزیه و تحلیل روشنگر NLP Visualization: Exploring Tokenized Sequences for Insightful Analysis

  • اصلاح مدل: بهینه سازی Naive Bayes، SVM و رگرسیون لجستیک با Feat Model Refinement: Optimizing Naive Bayes, SVM, and Logistic Regression with Feat

تجزیه و تحلیل سری زمانی تصادفات جاده ای انگلستان: تجزیه و تحلیل داده های اکتشافی برای پیش بینی UK Road Accident Timeseries Analysis: Exploratory Data Analysis for Forecasting

  • تجزیه و تحلیل سری زمانی تصادفات جاده ای انگلستان: تجزیه و تحلیل داده های اکتشافی برای پیش بینی UK Road Accident Timeseries Analysis: Exploratory Data Analysis for Forecasting

  • پیش بینی نرخ تصادفات در انگلستان: مدل های SARIMA، FbProphet و LSTM برای دقیق Forecasting UK Accident Rates: SARIMA, FbProphet, and LSTM Models for Accurate

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش تسلط بر یادگیری ماشین: نقشه راه ML را با پروژه ها کامل کنید
جزییات دوره
20.5 hours
32
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
221
3.5 از 5
دارد
دارد
دارد
Akhil Vydyula
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Akhil Vydyula Akhil Vydyula

Full Stack Data Scientist

سلام!

اسم من Akhil Vydyula است، من یک دانشمند داده هستم

من قبلاً روی تجزیه و تحلیل داده های BFSI کار کرده بودم و مهارت های مدل سازی برای نظارت بر چرخه تمام عمر توسعه و اجرا. او دارای توانایی قوی است.

قابلیت بحث در مورد داده ها، مهندسی ویژگی، توسعه الگوریتم، آموزش مدل و پیاده سازی.

مهارت ها و شایستگی ها

دانش و تجربه تخصصی با برنامه نویسی C/C++/python و SQL.

باید قادر به یادگیری و اجرای سریع و موثر فناوری های جدید باشد.

مهارت های ریاضی عالی، مهارت های منطقی حل مسئله .

شرکت فعال در هکاتون ها در پلتفرم های مختلف و نوشتن وبلاگ در رسانه.

مهارت های فنی

یادگیری ماشین، پردازش زبان طبیعی (NLP)، Computer Vision، Regression، Multi Label

Classification.Transfer Learning، Transformers، Ensembles، Stacking Classifiers.AutoML، SQL، Python، Keras، Pandas، NumPy، Seaborn، Matplotlib، Clustering، Systems Recommendation ,تحلیل سری زمانی.