آموزش اصول علم داده و یادگیری ماشین [سال 2025] - آخرین آپدیت

دانلود Data Science and Machine Learning Fundamentals [2025]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

یادگیری جامع علم داده و مبانی یادگیری ماشین با پایتون و پانداز

علم داده و یادگیری ماشین در مقیاس وسیعی در حال توسعه است. در همه جنبه‌های زندگی، وب و فناوری، الگوریتم‌های علم داده و یادگیری ماشین در پس زمینه کار می‌کنند تا تمام جنبه‌های زندگی، کسب‌وکار و جامعه ما را تحلیل و بهینه کنند. علم داده و یادگیری ماشین با هوش مصنوعی از داغ‌ترین و پرسرعت‌ترین حوزه‌های در حال توسعه هستند.

این دوره به شما مبانی علم داده و یادگیری ماشین را آموزش می‌دهد. این دوره محتوای منحصر به فردی دارد که صرف نظر از اینکه مبتدی هستید یا یک دانشمند داده با تجربه، چیزهای جدید زیادی به شما آموزش می‌دهد و می‌کوشد تا یکی از بهترین دوره‌های Udemy از نظر آموزش و ارزش باشد.

در این دوره خواهید آموخت:

  • رگرسیون و پیش‌بینی با مدل‌های یادگیری ماشین با استفاده از یادگیری نظارت شده. این دوره کامل‌ترین و اساسی‌ترین بسته‌های محتوایی تحلیل رگرسیون در سطح کارشناسی ارشد را در Udemy دارد، با تئوری عملی و مفید، و الگوریتم‌های خودکار یادگیری ماشین برای مدل‌سازی، انتخاب ویژگی و هوش مصنوعی. شما در مورد مدل‌هایی از مدل‌های رگرسیون خطی گرفته تا مدل‌های رگرسیون چندمتغیره پیشرفته یاد خواهید گرفت.

  • طبقه‌بندی با مدل‌های یادگیری ماشین با استفاده از یادگیری نظارت شده. شما در مورد فرآیند طبقه‌بندی، تئوری طبقه‌بندی و مصورسازی‌ها و همچنین برخی مدل‌های طبقه‌بندی مفید، از جمله Ensembleهای بسیار قدرتمند طبقه‌بندی جنگل تصادفی و Ensembleهای طبقه‌بندی رأی‌گیری، یاد خواهید گرفت.

  • تحلیل خوشه‌بندی با مدل‌های یادگیری ماشین با استفاده از یادگیری بدون نظارت. در این قسمت از دوره، شما در مورد یادگیری بدون نظارت، تئوری خوشه‌بندی، هوش مصنوعی، تحلیل داده‌های اکتشافی و هفت الگوریتم خوشه‌بندی یادگیری ماشین مفید، از مدل‌های خوشه‌بندی سلسله مراتبی گرفته تا مدل‌های خوشه‌بندی مبتنی بر چگالی، یاد خواهید گرفت.

  • مبانی علم داده و یادگیری ماشین. این دوره یک پایه و پایگاه دانش بسیار قوی برای مشاغل یا مطالعات علم داده و یادگیری ماشین ارائه می‌دهد.

  • مدل‌های پیش‌بینی پیشرفته هوش مصنوعی و ایجاد خودکار مدل. این دوره ویدیویی شامل ویدیوهایی است که در آن استفاده از الگوریتم‌های بسیار قدرتمند برای ایجاد خودکار مدل آموزش داده می‌شود.

  • کاوش متن و اتوماسیون پیشرفته. شما یاد خواهید گرفت که داده‌های متنی را استخراج کنید و مبانی کاوش متن و احساسات مانند توکن‌سازی، آماده‌سازی داده‌های متنی، بررسی املایی، لماتیزاسیون، ریشه‌یابی و طبقه‌بندی داده‌های متنی را یاد بگیرید.

  • تسلط بر پایتون برای کار با داده.

  • تسلط بر پانداز برای کار با داده.

این دوره شامل:

  • یک بسته آموزشی جامع و آسان برای پیروی برای تسلط بر پایتون و پانداز برای کار با داده، که هر کسی را قادر می‌سازد تا محتوای دوره را صرف نظر از دانش قبلی برنامه‌نویسی، نرم‌افزار جدولی، پایتون، پانداز، علم داده یا یادگیری ماشین یاد بگیرد.

  • یادگیری استفاده از محاسبات ابری: استفاده از Anaconda Cloud Notebook (Jupyter Notebook مبتنی بر ابر). یادگیری استفاده از منابع محاسبات ابری

  • یک راهنمای اختیاری و آسان برای پیروی برای دانلود، نصب و راه‌اندازی توزیع Anaconda، که هر کسی را قادر می‌سازد تا یک نصب محلی از یک محیط علم داده و یادگیری ماشین پایتون ایجاد کند.

  • محتوایی که چیزهای جدید زیادی به شما آموزش می‌دهد، صرف نظر از اینکه مبتدی هستید یا یک دانشمند داده با تجربه.

  • مجموعه بزرگی از محتوای منحصر به فرد، و چیزهای جدید زیادی به شما آموزش می‌دهد که فقط از این دوره در Udemy قابل یادگیری است.

  • یک بسته کامل کلاس استاد برای علم داده و یادگیری ماشین.

  • یک ساختار دوره مبتنی بر یک چارچوب اثبات شده و حرفه‌ای برای یادگیری.

  • یک ساختار دوره فشرده و بدون اتلاف وقت.

آیا این دوره برای شما مناسب است؟

  • این دوره برای شما مناسب است، صرف نظر از اینکه مبتدی هستید یا یک دانشمند داده با تجربه.

  • این دوره برای شما مناسب است، صرف نظر از اینکه هیچ تحصیلاتی ندارید یا با مدرک دکترا تجربه دارید.

پیش نیازهای دوره

  • چهار روش شمارش (+-*/)

  • تجربه روزمره اساسی با ویندوز، لینوکس، سیستم عامل مک یا سیستم عامل‌های مشابه

پس از اتمام این دوره، شما:

  • دانش در مورد تئوری، الگوریتم‌ها، روش‌ها، بهترین شیوه‌ها و وظایف علم داده و یادگیری ماشین خواهید داشت.

  • دانش عملی عمیقی از علم داده و یادگیری ماشین خواهید داشت و می‌دانید چگونه وظایف رایج علم داده و یادگیری ماشین را انجام دهید.

  • توانایی رسیدگی به وظایف رایج علم داده و یادگیری ماشین را با اطمینان خواهید داشت.

  • دانش برای تسلط بر پایتون برای کار با داده خواهید داشت.

  • دانش برای تسلط بر پانداز برای کار با داده خواهید داشت.

  • دانش و دانش عملی در مورد Scikit-learn، Statsmodels، Matplotlib، Seaborn و بسیاری از کتابخانه‌های دیگر پایتون خواهید داشت.

  • دانش استادانه دقیق و عمیقی از پیش‌بینی رگرسیون، طبقه‌بندی و تحلیل خوشه‌بندی خواهید داشت.

  • دانش پیشرفته‌ای از مدل‌های پیش‌بینی هوش مصنوعی و ایجاد خودکار مدل خواهید داشت.

  • دانش پیشرفته‌ای از کاوش متن، وظایف کاوش متن و کاوش احساسات خواهید داشت.


سرفصل ها و درس ها

مقدمه Introduction

  • معرفی دوره Course introduction

  • راه‌اندازی نوت‌بوک ابری آناکاندا Setup of the Anaconda Cloud Notebook

  • دانلود و نصب توزیع آناکاندا (اختیاری) Download and installation of the Anaconda Distribution (optional)

  • سیستم مدیریت بسته کندا (اختیاری) The Conda Package Management System (optional)

تسلط بر پایتون برای پردازش داده Master Python for data handling

  • بررسی اجمالی Overview

  • اعداد صحیح پایتون Python Integers

  • اعداد اعشاری پایتون Python Floats

  • رشته‌های پایتون Python Strings

  • متدهای رشته‌ای پایتون Python String Methods

  • رشته‌ها و اشیاء تاریخ و زمان در پایتون Python Strings and DateTime Objects

  • بررسی اجمالی ذخیره‌سازی داده در پایتون Python Data Storage Overview

  • مجموعه پایتون Python Set

  • تاپل پایتون Python Tuple

  • دیکشنری پایتون Python Dictionary

  • لیست پایتون Python List

  • بررسی اجمالی مبدل‌ها و توابع داده Data Transformers and Functions Overview

  • حلقه While در پایتون Python While Loop

  • حلقه For در پایتون Python For Loop

  • انشعاب کد شرطی و عملگرهای منطقی پایتون Python Conditional Code Branching and Logic Operators

  • تئوری توابع پایتون Python Function Theory

  • توابع پایتون II Python Functions II

  • برنامه‌نویسی شی‌ءگرا در پایتون I: تئوری Python Object Oriented Programming I : Theory

  • برنامه‌نویسی شی‌ءگرا در پایتون II: OOP Python Object Oriented Programming II: OOP

  • برنامه‌نویسی شی‌ءگرا در پایتون III: فایل‌ها و جداول Python Object Oriented Programming III: Files and Tables

  • برنامه‌نویسی شی‌ءگرا در پایتون IV: مرور و بیشتر Python Object Oriented Programming IV: Recap and More

تسلط بر پانداس برای پردازش داده Master Pandas for Data Handling

  • تسلط بر پانداس برای پردازش داده: بررسی اجمالی Master Pandas for Data Handling: Overview

  • تئوری و اصطلاحات پانداس Pandas theory and terminology

  • ساخت یک DataFrame از ابتدا Creating a DataFrame from scratch

  • مدیریت فایل در پانداس: بررسی اجمالی Pandas File Handling: Overview

  • مدیریت فایل در پانداس: فرمت فایل .csv Pandas File Handling: The .csv file format

  • مدیریت فایل در پانداس: فرمت فایل .xlsx Pandas File Handling: The .xlsx file format

  • مدیریت فایل در پانداس: فایل‌های پایگاه داده SQL Pandas File Handling: SQL-database files

  • عملیات و تکنیک‌های پانداس: بررسی اجمالی Pandas Operations & Techniques: Overview

  • عملیات و تکنیک‌های پانداس: بازرسی اشیاء Pandas Operations & Techniques: Object Inspection

  • عملیات و تکنیک‌های پانداس: بازرسی DataFrame Pandas Operations & Techniques: DataFrame Inspection

  • عملیات و تکنیک‌های پانداس: انتخاب ستون‌ها Pandas Operations & Techniques: Column Selections

  • عملیات و تکنیک‌های پانداس: انتخاب ردیف‌ها Pandas Operations & Techniques: Row Selections

  • عملیات و تکنیک‌های پانداس: انتخاب‌های شرطی Pandas Operations & Techniques: Conditional Selections

  • عملیات و تکنیک‌های پانداس: مقیاس‌کننده‌ها و استانداردسازی Pandas Operations & Techniques: Scalers and Standardization.

  • عملیات و تکنیک‌های پانداس: الحاق DataFrames Pandas Operations & Techniques: Concatenate DataFrames

  • عملیات و تکنیک‌های پانداس: اتصال DataFrames Pandas Operations & Techniques: Joining DataFrames

  • عملیات و تکنیک‌های پانداس: ادغام DataFrames Pandas Operations & Techniques: Merging DataFrames

  • عملیات و تکنیک‌های پانداس: توابع Transpose و Pivot Pandas Operations & Techniques: Transpose & Pivot Functions

  • آماده‌سازی داده در پانداس I: بررسی اجمالی و جریان کار Pandas Data Preparation I: Overview & workflow

  • آماده‌سازی داده در پانداس II: ویرایش برچسب‌های DataFrame Pandas Data Preparation II: Edit DataFrame labels

  • آماده‌سازی داده در پانداس III: داده‌های تکراری Pandas Data Preparation III: Duplicates

  • آماده‌سازی داده در پانداس IV: داده‌های گم‌شده و جایگذاری Pandas Data Preparation IV: Missing Data & Imputation

  • آماده‌سازی داده در پانداس V: دسته‌بندی داده [ویدئوی اضافی] Pandas Data Preparation V: Data Binnings [Extra Video]

  • آماده‌سازی داده در پانداس VI: ویژگی‌های شاخص [ویدئوی اضافی] Pandas Data Preparation VI: Indicator Features [Extra Video]

  • توصیف داده در پانداس: بررسی اجمالی Pandas Data Description: Overview

  • توصیف داده در پانداس II: مرتب‌سازی و رتبه‌بندی Pandas Data Description II: Sorting and Ranking

  • توصیف داده در پانداس III: آمار توصیفی Pandas Data Description III: Descriptive Statistics

  • توصیف داده در پانداس IV: جداول متقاطع و گروه‌بندی‌ها Pandas Data Description IV: Crosstabulations & Groupings

  • بصری‌سازی داده در پانداس: بررسی اجمالی Pandas Data Visualization: Overview

  • بصری‌سازی داده در پانداس II: هیستوگرام‌ها Pandas Data Visualization II: Histograms

  • بصری‌سازی داده در پانداس III: نمودارهای جعبه‌ای Pandas Data Visualization III: Boxplots

  • بصری‌سازی داده در پانداس IV: نمودارهای پراکندگی Pandas Data Visualization IV: Scatterplots

  • بصری‌سازی داده در پانداس V: نمودارهای دایره‌ای Pandas Data Visualization V: Pie Charts

  • بصری‌سازی داده در پانداس VI: نمودارهای خطی Pandas Data Visualization VI: Line plots

تسلط بر رگرسیون و پیش‌بینی با مدل‌های یادگیری ماشین Master Regression and Prediction with Machine Learning models

  • رگرسیون، پیش‌بینی و یادگیری نظارت شده. بررسی اجمالی بخش (I) Regression, Prediction, and Supervised Learning. Section Overview (I)

  • مدل رگرسیون ساده سنتی (II) The Traditional Simple Regression Model (II)

  • مدل رگرسیون ساده سنتی (III) The Traditional Simple Regression Model (III)

  • مفاهیم مدل‌سازی عملی و مفید (IV) Some practical and useful modelling concepts (IV)

  • مفاهیم مدل‌سازی عملی و مفید (V) Some practical and useful modelling concepts (V)

  • مدل رگرسیون خطی چندگانه (VI) Linear Multiple Regression model (VI)

  • مدل رگرسیون خطی چندگانه (VII) Linear Multiple Regression model (VII)

  • مدل‌های رگرسیون چندگانه چند جمله‌ای چند متغیره (VIII) Multivariate Polynomial Multiple Regression models (VIII)

  • مدل‌های رگرسیون چندگانه چند جمله‌ای چند متغیره (IX) Multivariate Polynomial Multiple Regression models (VIIII)

  • تنظیم رگرسیون، مدل‌های لاسو و ریج (X) Regression Regularization, Lasso and Ridge models (X)

  • مدل‌های رگرسیون درخت تصمیم (XI) Decision Tree Regression models (XI)

  • رگرسیون جنگل تصادفی (XII) Random Forest Regression (XII)

  • رگرسیون رای‌گیری (XIII) Voting Regression (XIII)

تسلط بر طبقه‌بندی با مدل‌های یادگیری ماشین Master Classification with Machine Learning models

  • طبقه‌بندی و یادگیری نظارت شده، بررسی اجمالی Classification and Supervised Learning, overview

  • دسته‌بندی‌کننده رگرسیون لجستیک Logistic Regression Classifier

  • دسته‌بندی‌کننده نایو بیز The Naive Bayes Classifier

  • دسته‌بندی‌کننده K-نزدیک‌ترین همسایه (KNN) [ویدئوی اضافی] K-Nearest Neighbor Classifier (KNN) [Extra Video]

  • دسته‌بندی‌کننده درخت تصمیم The Decision Tree Classifier

  • دسته‌بندی‌کننده جنگل تصادفی The Random Forest Classifier

  • تحلیل تشخیص خطی (LDA) [ویدئوی اضافی] Linear Discriminant Analysis (LDA) [Extra Video]

  • دسته‌بندی‌کننده رای‌گیری The Voting Classifier

تسلط بر تحلیل خوشه‌ای و یادگیری بدون نظارت Master Cluster Analysis and Unsupervised Learning

  • بررسی اجمالی Overview

  • تحلیل خوشه‌ای K-میانگین K-Means Cluster Analysis

  • تحلیل خوشه‌ای K-میانگین با به‌روزرسانی خودکار، معرفی و شبیه‌سازی Auto-updated K-Means Cluster Analysis, introduction and simulation

  • خوشه‌بندی فضایی مبتنی بر چگالی کاربردها با نویز (DBSCAN) Density-Based Spatial Clustering of Applications with Noise (DBSCAN)

  • چهار الگوریتم خوشه‌بندی سلسله‌مراتبی Four Hierarchical Clustering algorithms

  • تحلیل مؤلفه‌های اصلی (PCA) Principal Component Analysis (PCA)

مدل‌ها و وظایف پیشرفته یادگیری ماشین Advanced Machine Learning models and tasks

  • بررسی اجمالی Overview

  • شبکه‌های عصبی مصنوعی، شبکه‌های پیش‌خور و پرسپترون چندلایه Artificial Neural Networks, Feedforward Networks, and the Multi-Layer Perceptron

  • پرسپترون‌های چندلایه پیش‌خور برای وظایف طبقه‌بندی Feedforward Multi-Layer Perceptrons for Classification tasks

  • پرسپترون‌های چندلایه پیش‌خور برای وظایف پیش‌بینی Feedforward Multi-Layer Perceptrons for Prediction tasks

کاوش متن و پردازش زبان طبیعی (NLP) Text Mining and NLP

  • مقدمه و بررسی اجمالی کاوش متن و پردازش زبان طبیعی (NLP) Text Mining and NLP introduction and overview

  • راه‌اندازی کاوش متن Text Mining Setup

  • وظایف کاوش متن Text Mining Tasks

  • فرآیند کاوش متن Text Mining Process

  • فرآیند نمایه‌سازی متن Text Indexing Process

  • فرآیند توکن‌سازی The Tokenization Process

  • تصحیح املایی و واژگان توقف Spelling correction and stop words

  • لِمِت‌سازی و ریشه‌یابی Lemmatization and Stemming

  • ساختار داده کیسه کلمات و برخی مدل‌ها The Bag of Words Data Structure and some models

  • ساختار داده TF-IDF و برخی مدل‌ها The TF-IDF Data Structure and some models

  • ساختار داده N-gram The N-grams Data Structure

  • مدل‌های مبتنی بر توجه و مدل‌های ترنسفورمر پیش‌آموزش‌دیده مولد Attention-based models and Generative Pre-trained Transformer models

  • کاوش احساسات و تحلیل عاطفی Emotion Mining and Sentiment Analysis

نمایش نظرات

آموزش اصول علم داده و یادگیری ماشین [سال 2025]
جزییات دوره
56.5 hours
103
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,331
4.8 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Henrik Johansson Henrik Johansson

مدرس در Udemy