آموزش احتمال/آمار - مبانی یادگیری ماشین [ویدئو]

Probability / Statistics - The Foundations of Machine Learning [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: هدف این دوره این است که به شما پایه ای محکم و مورد نیاز برای برتری در تمام زمینه های علوم کامپیوتر – به ویژه علم داده و یادگیری ماشین – بدهد. مسئله این است که بیشتر دروس احتمال و آمار بیش از حد تئوری محور هستند. آنها بدون بحث در مورد اهمیت برنامه ها در ریاضیات درگیر می شوند. برنامه ها همیشه در درجه دوم اهمیت قرار می گیرند. در این دوره ما یک رویکرد کد محور را در پیش می گیریم. ما تمام مفاهیم را از طریق کد اعمال می کنیم. در واقع، ما از تمام تئوری های بی فایده ای که به علم کامپیوتر مربوط نمی شود می گذریم. در عوض، ما بر مفاهیمی تمرکز می‌کنیم که برای علم داده، یادگیری ماشین و سایر زمینه‌های علوم رایانه مفیدتر هستند. به عنوان مثال، بسیاری از دوره های احتمال از استنتاج بیزی می گذرند. ما به سرعت به این مفهوم بسیار مهم خواهیم رسید و به آن توجه لازم را خواهیم کرد زیرا به طور گسترده به عنوان آینده تحلیل تصور می شود! به این ترتیب، بدون پرداختن به جزئیات موضوعات کمتر مرتبط، در کمترین زمان ممکن، مهمترین مفاهیم را در این موضوع یاد می گیرید. هنگامی که شهودی در مورد چیزهای مهم ایجاد کردید، می توانید جدیدترین و بهترین مدل ها را حتی به تنهایی یاد بگیرید! تمامی منابع این دوره در آدرس زیر موجود است: https://github.com/PacktPublishing/Probability-Statistics---The-Foundations-of-Machine-Learning تمام مفاهیم لازم در آمار و احتمال را بیاموزید. مفاهیم مهم برای علم داده و/یا یادگیری ماشینی را بیاموزید توزیع ها و اهمیت آنها را درک کنید در مورد آنتروپی، که پایه و اساس تمام یادگیری ماشینی است، بیاموزید مقدمه ای بر استنتاج بیزی آموزش استفاده از مفاهیم از طریق کد این دوره برای توسعه دهندگان مبتدی ML و علوم داده طراحی شده است که به یک پایه محکم نیاز دارند، برای توسعه دهندگان کنجکاو در مورد علم داده و یادگیری ماشین، برای افرادی که به دنبال یافتن این موضوع هستند که چرا احتمال اساس همه یادگیری ماشین مدرن است. یا برای توسعه دهندگانی که می خواهند بدانند چگونه از قدرت داده های بزرگ استفاده کنند. رویکردی عملی برای درک مفاهیم اصلی احتمال و آمار * تمرکز بر کاربردهای این مفاهیم مهم ریاضی در علم داده، یادگیری ماشین و سایر زمینه ها * درک اینکه چرا احتمال اساس همه یادگیری ماشینی مدرن است.

سرفصل ها و درس ها

غواصی با کد Diving in with Code

  • معرفی Introduction

  • راه اندازی محیط کد و دوره سقوط پایتون Code Environment Setup and Python Crash Course

  • شروع با کد: احساس داده Getting Started with Code: Feel of Data

  • مبانی، انواع داده ها و نمایش داده ها Foundations, Data Types, and Representing Data

  • نکته کاربردی: رمزگذاری برداری یک داغ Practical Note: One-Hot Vector Encoding

  • کاوش انواع داده در کد Exploring Data Types in Code

  • گرایش مرکزی، میانگین، میانه و حالت Central Tendency, Mean, Median, and Mode

اقدامات گسترش Measures of Spread

  • پراکندگی و گسترش در داده ها، واریانس، انحراف استاندارد Dispersion and Spread in Data, Variance, Standard Deviation

  • کاوش پراکندگی از طریق کد Dispersion Exploration Through Code

برنامه ها و قوانین برای احتمال Applications and Rules for Probability

  • مقدمه ای بر عدم قطعیت، شهود احتمال Introduction to Uncertainty, Probability Intuition

  • شبیه سازی چرخش سکه برای احتمال Simulating Coin Flips for Probability

  • احتمال شرطی، مهم ترین مفهوم در آمار Conditional Probability, the Most Important Concept in Stats

  • اعمال احتمال شرطی - قانون بیز Applying Conditional Probability - Bayes Rule

  • استفاده از قانون بیز در دنیای واقعی - تشخیص هرزنامه Application of Bayes Rule in the Real World - Spam Detection

  • تشخیص هرزنامه - مشکلات پیاده سازی Spam Detection - Implementation Issues

با احتساب Counting

  • قوانین شمارش (بیشتر اختیاری) Rules for Counting (Mostly Optional)

متغیرهای تصادفی - منطق و کاربردها Random Variables - Rationale and Applications

  • کمی سازی رویدادها - متغیرهای تصادفی Quantifying Events - Random Variables

  • دو متغیر تصادفی - احتمالات مشترک Two Random Variables - Joint Probabilities

  • توزیع ها - منطق و اهمیت Distributions - Rationale and Importance

  • توزیع های گسسته از طریق کد Discrete Distributions Through Code

  • توزیع های مستمر با کمک یک مثال Continuous Distributions with the Help of an Example

  • کد توزیع مستمر Continuous Distributions Code

  • مطالعه موردی: تحلیل خواب، ساختار و کد Case Study: Sleep Analysis, Structure, and Code

تجسم در ساختمان شهود Visualization in Intuition Building

  • تجسم توزیع مشترک - راه موفقیت ML Visualizing Joint Distributions - The Road to ML Success

  • وابستگی و واریانس دو متغیر تصادفی Dependence and Variance of Two Random Variables

برنامه های کاربردی برای دنیای واقعی Applications to the Real World

  • ارزش های مورد انتظار - تصمیم گیری از طریق احتمالات Expected Values - Decision Making Through Probabilities

  • آنتروپی - مهم ترین کاربرد مقادیر مورد انتظار Entropy - The Most Important Application of Expected Values

  • استفاده از آنتروپی - کدگذاری درختان تصمیم برای یادگیری ماشین Applying Entropy - Coding Decision Trees for Machine Learning

  • مبانی استنباط بیزی Foundations of Bayesian Inference

  • کد استنتاج بیزی از طریق PyMC3 Bayesian Inference Code Through PyMC3

نمایش نظرات

نظری ارسال نشده است.

آموزش احتمال/آمار - مبانی یادگیری ماشین [ویدئو]
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
6 h 34 m
30
Packtpub packtpub-small
07 تیر 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
ندارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Mohammad Nauman Dr. Mohammad Nauman

دکتر محمد نائومان دارای دکترای علوم کامپیوتر و پست داک از موسسه ماکس پلانک برای سیستم های نرم افزاری است. او از اوایل سال 2000 برنامه نویسی کرده و با زبان ها، ابزارها و پلتفرم های مختلف کار کرده است. او دارای تجربه تحقیقاتی گسترده ای با بسیاری از مدل های پیشرفته است. تحقیقات او در زمینه امنیت اندروید منجر به برخی تغییرات عمده در مدل مجوز اندروید شده است. او عاشق تدریس است و مهم ترین دلیلی که او به صورت آنلاین تدریس می کند این است که مطمئن شود حداکثر افراد می توانند از طریق محتوای او یاد بگیرند. امیدوارم از یادگیری با او لذت ببرید!