آموزش دوره کامل یادگیری ماشین با پایتون

The Complete Machine Learning Course with Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یک نمونه کار از 12 پروژه یادگیری ماشینی با پایتون، SVM، رگرسیون، یادگیری ماشینی بدون نظارت و موارد دیگر بسازید! مهندسان یادگیری ماشین به طور متوسط ​​166000 دلار درآمد دارند - با این دوره کاندیدای ایده آل شوید! هر مشکلی را در کسب و کار، شغل یا زندگی شخصی خود با مدل های یادگیری ماشینی قدرتمند حل کنید آموزش الگوریتم های یادگیری ماشین برای پیش بینی قیمت خانه، شناسایی دست خط، شناسایی سلول های سرطانی و موارد دیگر از صفر به قهرمان در Python، Seaborn، Matplotlib، Scikit-Learn، SVM , یادگیری ماشین بدون نظارت و غیره پیش نیازها: دانش برنامه نویسی پایه پایتون ضروری است درک خوب جبر خطی

دوره کامل یادگیری ماشین در پایتون برای نوامبر 2019 به طور کامل به روز شده است!

با بخش‌های کاملاً جدید و همچنین محتوای به‌روز شده و بهبودیافته، همه آنچه را که برای تسلط بر یادگیری ماشین نیاز دارید در یک دوره دریافت می‌کنید! زمینه یادگیری ماشینی به طور مداوم در حال پیشرفت است، و ما می‌خواهیم مطمئن شویم دانش‌آموزان به‌روزترین اطلاعات و شیوه‌های موجود را در اختیار دارند:

بخش‌های کاملاً جدید عبارتند از:

  • مبانی یادگیری عمیق موضوعاتی مانند تفاوت بین برنامه نویسی کلاسیک و یادگیری ماشینی، تمایز بین یادگیری ماشینی و عمیق، اجزای سازنده شبکه های عصبی، توضیحات عملیات تانسور و تانسور، دسته بندی های یادگیری ماشین و مفاهیم پیشرفته مانند بیش از حد و کم، منظم کردن، ترک تحصیل، اعتبار سنجی و آزمایش و بسیاری موارد دیگر.

  • Computer Vision در قالب شبکه‌های عصبی کانولوشن که ساخت لایه‌ها، درک فیلترها/هسته‌ها، تا موضوعات پیشرفته مانند یادگیری انتقال، و استخراج ویژگی‌ها را پوشش می‌دهد.

و بخش‌های زیر همگی بهبود یافته و به :

اضافه شده‌اند
  • همه کدها برای کار با پایتون 3.6 و 3.7 به روز شده اند

  • کدها برای کار با Google Colab بازسازی شده اند

  • آموزش عمیق و NLP

  • طبقه بندی باینری و چند کلاسه با یادگیری عمیق

به‌روزترین اطلاعات یادگیری ماشینی ممکن را دریافت کنید و آن را در یک دوره دریافت کنید!


* * *


میانگین حقوق یک مهندس یادگیری ماشین در ایالات متحده 166000 دلار است! در پایان این دوره، شما مجموعه ای از 12 پروژه یادگیری ماشینی خواهید داشت که به شما کمک می کند شغل رویایی خود را پیدا کنید یا به شما امکان می دهد با الگوریتم های یادگیری ماشین مشکلات زندگی واقعی را در تجارت، شغل یا زندگی شخصی خود حل کنید.

بیایید این دوره آموزشی هیجان انگیز را با آنتونی NG، یک مدرس ارشد در سنگاپور که از سبک تدریس «مبتنی بر پروژه» راب پرسیوال پیروی کرده است، یاد بگیرید تا این دوره عملی را برای شما ارائه دهد.

با بیش از 18 ساعت محتوا و بیش از پنجاه رتبه بندی 5 ستاره، در حال حاضر طولانی ترین و بهترین دوره آموزشی یادگیری ماشین در Udemy است!

مدل های یادگیری ماشینی قدرتمند برای حل هر مشکلی بسازید

شما از سطح مبتدی به سطح بسیار بالا خواهید رفت و مربی شما هر الگوریتم را با شما گام به گام روی صفحه می‌سازد.

در پایان دوره، الگوریتم‌های یادگیری ماشینی برای طبقه‌بندی گل‌ها، پیش‌بینی قیمت خانه، شناسایی دست‌نوشته‌ها یا ارقام، شناسایی کارکنانی که احتمال ترک زودهنگام آنها وجود دارد، شناسایی سلول‌های سرطانی و بسیاری موارد دیگر را آموزش داده‌اید!

در داخل دوره، شما یاد خواهید گرفت که چگونه:

  • مجموعه ابزارهای یادگیری ماشینی کامل را برای مقابله با اکثر مشکلات دنیای واقعی بدست آورید

  • از معیارهای عملکرد رگرسیون، طبقه‌بندی و سایر الگوریتم‌های ml مانند R-squared، MSE، دقت، ماتریس سردرگمی، پیش‌بینی، فراخوان و غیره و زمان استفاده از آنها مطلع شوید.

  • چند مدل را با بسته بندی، تقویت یا انباشتن

    ترکیب کنید
  • از الگوریتم‌های یادگیری ماشینی بدون نظارت (ML) مانند خوشه‌بندی سلسله مراتبی، خوشه‌بندی k-means و غیره برای درک داده‌های خود استفاده کنید

  • توسعه در نوت بوک Jupyter (IPython)، Spyder و IDE های مختلف

  • با Matplotlib و Seaborn به صورت بصری و موثر ارتباط برقرار کنید

  • ویژگی‌های جدید را برای بهبود پیش‌بینی‌های الگوریتم مهندسی کنید

  • از t rain/test، K-fold و Stratified K-fold validation متقاطع برای انتخاب مدل صحیح و پیش بینی عملکرد مدل با داده های دیده نشده استفاده کنید

  • از SVM برای تشخیص دست خط و به طور کلی مشکلات طبقه بندی استفاده کنید

  • از درختان تصمیم برای پیش بینی ساییدگی کارکنان استفاده کنید

  • قانون ارتباط را در مجموعه داده‌های خرید خرده‌فروشی اعمال کنید

  • و خیلی چیزهای دیگر!

نیازی به یادگیری ماشین نیست. اگرچه داشتن برخی از تجربه های اولیه پایتون مفید خواهد بود، اما هیچ دانش قبلی پایتون لازم نیست زیرا همه کدها ارائه می شوند و مربی آنها را خط به خط مرور می کند و شما از پشتیبانی دوستانه در منطقه Q A برخوردار می شوید.

این سرمایه گذاری را روی خود انجام دهید

اگر می‌خواهید سوار موج یادگیری ماشین شوید و از حقوقی که دانشمندان داده می‌گیرند لذت ببرید، این دوره برای شما مناسب است!

این دوره را بگذرانید و مهندس یادگیری ماشین شوید!


سرفصل ها و درس ها

معرفی Introduction

  • دوره شامل چه مواردی است؟ What Does the Course Cover?

  • چگونه در این دوره موفق شویم How to Succeed in This Course

  • فایل ها و منابع پروژه Project Files and Resources

شروع کار با آناکوندا Getting Started with Anaconda

  • نصب اپلیکیشن ها و ایجاد محیط Installing Applications and Creating Environment

  • سلام دنیا Hello World

  • پروژه Iris 1: کار با پیام های خطا Iris Project 1: Working with Error Messages

  • پروژه Iris 2: خواندن داده های CSV در حافظه Iris Project 2: Reading CSV Data into Memory

  • پروژه Iris 3: بارگیری داده ها از Seaborn Iris Project 3: Loading data from Seaborn

  • پروژه Iris 4: تجسم Iris Project 4: Visualization

پسرفت Regression

  • Scikit-Learn Scikit-Learn

  • EDA EDA

  • تجزیه و تحلیل همبستگی و انتخاب ویژگی Correlation Analysis and Feature Selection

  • تجزیه و تحلیل همبستگی و انتخاب ویژگی Correlation Analysis and Feature Selection

  • رگرسیون خطی با Scikit-Learn Linear Regression with Scikit-Learn

  • فرآیند یادگیری ماشین پنج مرحله ای Five Steps Machine Learning Process

  • رگرسیون قوی Robust Regression

  • ارزیابی عملکرد مدل رگرسیون Evaluate Regression Model Performance

  • رگرسیون چندگانه 1 Multiple Regression 1

  • رگرسیون چندگانه 2 Multiple Regression 2

  • رگرسیون منظم Regularized Regression

  • رگرسیون چند جمله ای Polynomial Regression

  • برخورد با روابط غیر خطی Dealing with Non-linear Relationships

  • اهمیت ویژگی Feature Importance

  • پیش پردازش داده ها Data Preprocessing

  • واریانس-سوگیری معامله کردن Variance-Bias Trade Off

  • منحنی یادگیری Learning Curve

  • اعتبار سنجی متقابل Cross Validation

  • تصویر رزومه CV Illustration

طبقه بندی Classification

  • رگرسیون لجستیک Logistic Regression

  • مقدمه ای بر طبقه بندی Introduction to Classification

  • درک MNIST Understanding MNIST

  • SGD SGD

  • اندازه گیری عملکرد و طبقه بندی k-fold Performance Measure and Stratified k-Fold

  • ماتریس سردرگمی Confusion Matrix

  • دقت، درستی Precision

  • به خاطر آوردن Recall

  • f1 f1

  • Recall Tradeoff دقیق Precision Recall Tradeoff

  • تغییر ترادف فراخوان دقیق Altering the Precision Recall Tradeoff

  • ROC ROC

ماشین بردار پشتیبانی (SVM) Support Vector Machine (SVM)

  • مفاهیم ماشین بردار پشتیبانی (SVM). Support Vector Machine (SVM) Concepts

  • طبقه بندی خطی SVM Linear SVM Classification

  • هسته چند جمله ای Polynomial Kernel

  • تابع پایه شعاعی Radial Basis Function

  • رگرسیون برداری پشتیبانی Support Vector Regression

درخت Tree

  • مقدمه ای بر درخت تصمیم Introduction to Decision Tree

  • آموزش و تجسم درخت تصمیم Training and Visualizing a Decision Tree

  • تجسم مرز Visualizing Boundary

  • رگرسیون درختی، منظم سازی و برازش بیش از حد Tree Regression, Regularization and Over Fitting

  • مدلسازی پایان به انتها End to End Modeling

  • پروژه منابع انسانی Project HR

  • پروژه منابع انسانی با Google Colab Project HR with Google Colab

مجموعه یادگیری ماشینی Ensemble Machine Learning

  • مقدمه روشهای یادگیری گروه Ensemble Learning Methods Introduction

  • کوله بری Bagging

  • جنگل های تصادفی و درختان اضافی Random Forests and Extra-Trees

  • AdaBoost AdaBoost

  • دستگاه تقویت گرادیان Gradient Boosting Machine

  • نصب XGBoost XGBoost Installation

  • XGBoost XGBoost

  • پروژه منابع انسانی - تجزیه و تحلیل منابع انسانی Project HR - Human Resources Analytics

  • Ensemble of Ensembles قسمت 1 Ensemble of Ensembles Part 1

  • گروه گروه ها قسمت 2 Ensemble of ensembles Part 2

k-نزدیکترین همسایگان (kNN) k-Nearest Neighbours (kNN)

  • kNN مقدمه kNN Introduction

  • پروژه تشخیص سرطان Project Cancer Detection

  • مواد افزودنی Addition Materials

  • پروژه تشخیص سرطان قسمت 1 Project Cancer Detection Part 1

یادگیری بدون نظارت: کاهش ابعاد Unsupervised Learning: Dimensionality Reduction

  • مفهوم کاهش ابعاد Dimensionality Reduction Concept

  • مقدمه PCA PCA Introduction

  • پروژه شراب Project Wine

  • هسته PCA Kernel PCA

  • نسخه آزمایشی Kernel PCA Kernel PCA Demo

  • LDA در مقابل PCA LDA vs PCA

  • پروژه آبالون Project Abalone

یادگیری بدون نظارت: خوشه بندی Unsupervised Learning: Clustering

  • خوشه بندی Clustering

  • k_به معنی خوشه بندی k_Means Clustering

یادگیری عمیق Deep Learning

  • تخمین عملکرد ساده با شبکه های عصبی Estimating Simple Function with Neural Networks

  • معماری شبکه های عصبی Neural Network Architecture

  • مثال انگیزشی - پروژه MNIST Motivational Example - Project MNIST

  • مشکل طبقه بندی باینری Binary Classification Problem

  • پردازش زبان طبیعی - طبقه بندی باینری Natural Language Processing - Binary Classification

پیوست A1: مبانی یادگیری عمیق Appendix A1: Foundations of Deep Learning

  • مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

  • تفاوت بین برنامه نویسی کلاسیک و یادگیری ماشین Differences between Classical Programming and Machine Learning

  • بازنمایی های یادگیری Learning Representations

  • یادگیری عمیق چیست What is Deep Learning

  • یادگیری شبکه های عصبی Learning Neural Networks

  • چرا حالا؟ Why Now?

  • معرفی بلوک ساختمانی Building Block Introduction

  • تانسورها Tensors

  • عملیات تانسور Tensor Operations

  • بهینه سازی مبتنی بر گرادیان Gradient Based Optimization

  • شروع کار با شبکه های عصبی و کتابخانه های یادگیری عمیق Getting Started with Neural Network and Deep Learning Libraries

  • دسته های یادگیری ماشینی Categories of Machine Learning

  • بیش و زیر اتصالات Over and Under Fitting

  • گردش کار یادگیری ماشین Machine Learning Workflow

بینایی کامپیوتری و شبکه عصبی کانولوشنال (CNN) Computer Vision and Convolutional Neural Network (CNN)

  • طرح کلی Outline

  • ویرایش شبکه عصبی Neural Network Revision

  • مثال انگیزشی Motivational Example

  • تجسم CNN Visualizing CNN

  • درک CNN Understanding CNN

  • لایه - ورودی Layer - Input

  • لایه - فیلتر Layer - Filter

  • تابع فعال سازی Activation Function

  • ترکیب، مسطح، متراکم Pooling, Flatten, Dense

  • آموزش CNN شما 1 Training Your CNN 1

  • آموزش CNN 2 Training Your CNN 2

  • بارگیری مدل آموزش دیده قبلی Loading Previously Trained Model

  • مقایسه عملکرد مدل Model Performance Comparison

  • افزایش داده ها Data Augmentation

  • آموزش انتقالی Transfer Learning

  • استخراج ویژگی Feature Extraction

  • ابزارهای پیشرفته State of the Art Tools

نمایش نظرات

آموزش دوره کامل یادگیری ماشین با پایتون
جزییات دوره
17.5 hours
111
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
33,838
4.4 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

Rob Percival Rob Percival

توسعه دهنده وب و معلم

Codestars • over 2 million students worldwide! Codestars • over 2 million students worldwide!

آموزش نسل بعدی کدگذارها

Anthony NG Anthony NG

محقق و مجری کارگاه تجارت الگوریتمی