آموزش کلاس کارشناسی ارشد رگرسیون یادگیری ماشین در پایتون

Machine Learning Regression Masterclass in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ساخت 8+ پروژه عملی و تکنیک‌های رگرسیون یادگیری ماشین با استفاده از Python، Scikit Learn و Keras Master Python برنامه‌نویسی و Scikit همانطور که در رگرسیون یادگیری ماشین اعمال می‌شود درک نظریه اساسی در پشت تکنیک‌های رگرسیون خطی ساده و چندگانه استفاده از تکنیک‌های رگرسیون خطی ساده برای پیش‌بینی فروش محصول. حجم و مصرف سوخت خودرو استفاده از رگرسیون خطی چندگانه برای پیش‌بینی قیمت سهام و نرخ پذیرش دانشگاه‌ها پوشش اصول و نظریه اساسی رگرسیون چند جمله‌ای اعمال رگرسیون چند جمله‌ای برای پیش‌بینی حقوق و دستمزد کارکنان و قیمت‌های کالا درک نظریه پشت رگرسیون لجستیک استفاده از رگرسیون لجستیک برای پیش‌بینی احتمال این مشتری با استفاده از ویژگی های مشتری، محصولی را در آمازون خریداری می کند. درک نظریه و ریاضیات اساسی در پشت شبکه های عصبی مصنوعی آموزش نحوه آموزش وزن ها و سوگیری های شبکه و انتخاب توابع انتقال مناسب آموزش شبکه های عصبی مصنوعی (AN) Ns) با استفاده از روش‌های انتشار به عقب و شیب نزول بهینه‌سازی پارامترهای فوق‌العاده شبکه‌های عصبی مصنوعی مانند تعداد لایه‌های پنهان و نورون‌ها برای بهبود عملکرد شبکه استفاده از شبکه‌های عصبی مصنوعی برای پیش‌بینی قیمت خانه‌ها با توجه به پارامترهایی مانند مساحت، تعداد اتاق‌ها و غیره ارزیابی عملکرد یادگیری ماشین آموزش‌دیده مدل‌هایی که از KPI (شاخص‌های کلیدی عملکرد) استفاده می‌کنند، مانند میانگین خطای مطلق، میانگین مربع خطا، و شهود میانگین مربعات خطای ریشه، شهود R-Squared، Adjusted R-Squared و F-Test درک نظریه و شهود اساسی در پشت تکنیک‌های رگرسیون کمند و ریج. نمونه پروژه های واقعی و عملی پیش نیازها:مبانی یادگیری ماشین کامپیوتر با اتصال اینترنت

انقلاب هوش مصنوعی (AI) اینجاست! این فناوری در مقیاس گسترده ای در حال پیشرفت است و به طور گسترده در صنایع مراقبت های بهداشتی، دفاعی، بانکداری، بازی، حمل و نقل و رباتیک مورد استفاده قرار می گیرد.

یادگیری ماشین زیرشاخه‌ای از هوش مصنوعی است که ماشین‌ها را قادر می‌سازد تا در یک کار معین با تجربه پیشرفت کنند. یادگیری ماشین یک موضوع بسیار داغ است. تقاضا برای مهندسان با تجربه یادگیری ماشین و دانشمندان داده در 5 سال گذشته به طور پیوسته در حال افزایش بوده است. طبق گزارش منتشر شده توسط Research and Markets، انتظار می‌رود بخش‌های جهانی هوش مصنوعی و فناوری یادگیری ماشین از 1.4 میلیارد دلار به 8.8 میلیارد دلار تا سال 2022 رشد کنند و پیش‌بینی می‌شود که بخش فناوری هوش مصنوعی تا سال 2020 حدود 2.3 میلیون شغل ایجاد کند.

هدف این دوره ارائه دانش به دانش آموزان از جنبه های کلیدی تکنیک های رگرسیون یادگیری ماشین به روشی کاربردی، آسان و سرگرم کننده است. رگرسیون یک تکنیک مهم یادگیری ماشینی است که با پیش‌بینی یک متغیر پیوسته (وابسته) بر اساس چندین متغیر مستقل دیگر کار می‌کند. استراتژی های رگرسیون به طور گسترده برای پیش بینی بازار سهام، تجزیه و تحلیل روند املاک و مستغلات، و کمپین های بازاریابی هدفمند استفاده می شود.

این دوره تجربه عملی عملی را در آموزش مدل‌های رگرسیون یادگیری ماشین با استفاده از مجموعه داده‌های دنیای واقعی به دانش‌آموزان ارائه می‌دهد. این دوره چندین تکنیک را به صورت عملی پوشش می دهد، از جمله:

· رگرسیون خطی ساده

· رگرسیون خطی چندگانه

· رگرسیون چند جمله ای

· رگرسیون لجستیک

· رگرسیون درختان تصمیم

· رگرسیون ریج

· رگرسیون کمند

· شبکه های عصبی مصنوعی برای تحلیل رگرسیون

· شاخص های عملکرد کلیدی رگرسیون

این دوره برای دانش‌آموزانی است که می‌خواهند درک اساسی از مدل‌های رگرسیون یادگیری ماشین به دست آورند. دانش اولیه برنامه نویسی توصیه می شود. با این حال، این موضوعات به طور گسترده در طول سخنرانی های دوره اولیه پوشش داده خواهد شد. بنابراین، این دوره هیچ پیش نیازی ندارد و برای هر دانشجویی که دانش اولیه برنامه نویسی داشته باشد آزاد است. دانش‌آموزانی که در این دوره ثبت‌نام می‌کنند، بر مدل‌های رگرسیون یادگیری ماشین تسلط خواهند داشت و می‌توانند مستقیماً از این مهارت‌ها برای حل مسائل چالش برانگیز دنیای واقعی استفاده کنند.


سرفصل ها و درس ها

مقدمه دوره [برنده شدن سریع در 10-12 دقیقه اول] INTRODUCTION TO THE COURSE [QUICK WIN IN FIRST 10-12 MINS]

  • پیام خوش آمدگویی دوره Course Welcome Message

  • به‌روزرسانی‌های Udemy Reviews Updates on Udemy Reviews

  • به‌روزرسانی‌های Udemy Reviews Updates on Udemy Reviews

  • بررسی اجمالی دوره Course Overview

  • جایزه: مسیر یادگیری BONUS: Learning Path

  • جایزه: مسیر یادگیری BONUS: Learning Path

  • ML در مقابل DL در مقابل هوش مصنوعی ML vs. DL vs. AI

  • ML در مقابل DL در مقابل هوش مصنوعی ML vs. DL vs. AI

  • مواد را دریافت کنید Get the materials

  • مواد را دریافت کنید Get the materials

مقدمه دوره [برنده شدن سریع در 10-12 دقیقه اول] INTRODUCTION TO THE COURSE [QUICK WIN IN FIRST 10-12 MINS]

  • پیام خوش آمدگویی دوره Course Welcome Message

  • بررسی اجمالی دوره Course Overview

نصب آناکوندا و ژوپیتر ANACONDA AND JUPYTER INSTALLATION

  • Anaconda را دانلود و راه اندازی کنید Download and Set up Anaconda

  • Anaconda را دانلود و راه اندازی کنید Download and Set up Anaconda

  • نوت بوک مشتری چیست؟ What is Jupiter Notebook

نصب آناکوندا و ژوپیتر ANACONDA AND JUPYTER INSTALLATION

  • نوت بوک مشتری چیست؟ What is Jupiter Notebook

رگرسیون خطی ساده SIMPLE LINEAR REGRESSION

  • مقدمه ای بر رگرسیون خطی ساده Intro to Simple Linear Regression

  • شهود رگرسیون خطی ساده Simple Linear Regression Intuition

  • شهود رگرسیون خطی ساده Simple Linear Regression Intuition

  • کمترین مربعات Least Squares

  • کمترین مربعات Least Squares

  • پروژه شماره 1 - بررسی اجمالی Project #1 - Overview

  • پروژه شماره 1 - بررسی اجمالی Project #1 - Overview

  • پروژه شماره 1 - تجسم داده ها Project #1 - Data Visualization

  • پروژه شماره 1 - تقسیم داده ها به آموزش و آزمایش Project #1 - Divide Data into Training and Testing

  • پروژه شماره 1 - مدل قطار Project #1 - Train Model

  • پروژه شماره 1 - مدل تست Project #1 - Test Model

  • پروژه شماره 2 - بررسی اجمالی Project #2 - Overview

  • پروژه شماره 2 - راه حل Project #2 - Solution

  • پروژه شماره 2 - تجسم Project #2 - Visualization

  • پروژه شماره 2 - داده های آموزشی و آزمایشی را آماده کنید Project #2 - Prepare Training and Testing Data

  • پروژه شماره 2 - مدل تست Project #2 - Test Model

  • پروژه شماره 2 - مدل تست Project #2 - Test Model

  • پروژه شماره 2 - تست مدل Project #2 - Model Testing

  • پروژه شماره 2 - تست مدل Project #2 - Model Testing

رگرسیون خطی ساده SIMPLE LINEAR REGRESSION

  • مقدمه ای بر رگرسیون خطی ساده Intro to Simple Linear Regression

  • پروژه شماره 1 - تقسیم داده ها به آموزش و آزمایش Project #1 - Divide Data into Training and Testing

  • پروژه شماره 1 - مدل قطار Project #1 - Train Model

  • پروژه شماره 1 - مدل تست Project #1 - Test Model

  • پروژه شماره 2 - بررسی اجمالی Project #2 - Overview

  • پروژه شماره 2 - راه حل Project #2 - Solution

  • پروژه شماره 2 - تجسم Project #2 - Visualization

  • پروژه شماره 2 - داده های آموزشی و آزمایشی را آماده کنید Project #2 - Prepare Training and Testing Data

شاخص های کلیدی عملکرد رگرسیون REGRESSION KEY PERFORMANCE INDICATORS

  • مقدمه معیارهای رگرسیون Regression Metrics Intro

  • رگرسیون متریک قسمت 1 Regression Metric Part 1

  • رگرسیون متریک قسمت 2 Regression Metric Part 2

  • مبادله واریانس تعصب Bias Variance Tradeoff

  • مبادله واریانس تعصب Bias Variance Tradeoff

شاخص های کلیدی عملکرد رگرسیون REGRESSION KEY PERFORMANCE INDICATORS

  • مقدمه معیارهای رگرسیون Regression Metrics Intro

  • رگرسیون متریک قسمت 1 Regression Metric Part 1

  • رگرسیون متریک قسمت 2 Regression Metric Part 2

رگرسیون چند جمله ای POLYNOMIAL REGRESSION

  • مقدمه رگرسیون چند جمله ای Polynomial Regression Intro

  • مقدمه رگرسیون چند جمله ای Polynomial Regression Intro

  • رگرسیون چند جمله ای - شهود Polynomial Regression - Intuition

  • رگرسیون چند جمله ای - شهود Polynomial Regression - Intuition

  • رگرسیون پلی - داده های بار حقوق Poly Regression - Salary Load Data

  • رگرسیون پلی - داده های بار حقوق Poly Regression - Salary Load Data

  • رگرسیون چندگانه - تجسم داده ها Poly Regression - Visualize Data

  • رگرسیون چندگانه - آزمون آموزش خطی Poly Regression - Linear Trainingtesting

  • پلی رگرسیون - پلی قسمت 1 Poly Regression - Poly Part 1

  • پلی رگرسیون - پلی قسمت 1 Poly Regression - Poly Part 1

  • پلی رگرسیون - پلی قسمت 2 Poly Regression - Poly Part 2

  • پلی رگرسیون - پلی قسمت 2 Poly Regression - Poly Part 2

  • بررسی اجمالی پروژه پلی رگرسیون 2 Poly Regression Project 2 Overview

  • رگرسیون چندگانه - اقتصاد خطی -1 Poly Regression - Economies Linear -1

  • رگرسیون چندگانه - اقتصاد خطی -1 Poly Regression - Economies Linear -1

  • رگرسیون چندگانه - اقتصاد خطی -2 Poly Regression - Economies Linear -2

  • رگرسیون چندگانه - پولی اقتصاد Poly Regression - Economies Poly

  • رگرسیون چندگانه - پولی اقتصاد Poly Regression - Economies Poly

رگرسیون چند جمله ای POLYNOMIAL REGRESSION

  • رگرسیون چندگانه - تجسم داده ها Poly Regression - Visualize Data

  • رگرسیون چندگانه - آزمون آموزش خطی Poly Regression - Linear Trainingtesting

  • بررسی اجمالی پروژه پلی رگرسیون 2 Poly Regression Project 2 Overview

  • رگرسیون چندگانه - اقتصاد خطی -2 Poly Regression - Economies Linear -2

رگرسیون خطی چندگانه MULTIPLE LINEAR REGRESSION

  • مقدمه رگرسیون خطی چندگانه Multiple Linear Regression Intro

  • مقدمه رگرسیون خطی چندگانه Multiple Linear Regression Intro

  • بررسی اجمالی رگرسیون خطی چندگانه Multiple Linear Regression Overview

  • بررسی اجمالی رگرسیون خطی چندگانه Multiple Linear Regression Overview

  • پروژه شماره 1 - بارگذاری داده ها و کتابخانه ها Project #1 - Load Data and Libraries

  • پروژه شماره 1 - تجسم داده ها Project #1 - Data Visualization

  • پروژه شماره 1 - تجسم داده ها Project #1 - Data Visualization

  • پروژه شماره 1 - آموزش و ارزیابی مدل Project #1 - Model Training and Evaluation

  • پروژه شماره 1 - ارزیابی نتایج مدل Project #1 - Model Results Evaluation

  • پروژه شماره 1 - ارزیابی نتایج مدل Project #1 - Model Results Evaluation

  • پروژه شماره 2 - بررسی اجمالی Project #2 - Overview

  • پروژه شماره 2 - بارگذاری داده ها Project #2 - Load Data

  • پروژه شماره 2 - بارگذاری داده ها Project #2 - Load Data

  • پروژه شماره 2 - تجسم داده ها Project #2 - Data Visualization

  • پروژه شماره 2 - آموزش مدل Project #2 - Train the Model

  • پروژه شماره 2 - ارزیابی مدل Project #2 - Model Evaluation

  • پروژه شماره 2 - ارزیابی مدل Project #2 - Model Evaluation

  • پروژه شماره 2 - مدل بازآموزی Project #2 - Retraining Model

رگرسیون خطی چندگانه MULTIPLE LINEAR REGRESSION

  • پروژه شماره 1 - بارگذاری داده ها و کتابخانه ها Project #1 - Load Data and Libraries

  • پروژه شماره 1 - تجسم داده ها Project #1 - Data Visualization

  • پروژه شماره 1 - آموزش و ارزیابی مدل Project #1 - Model Training and Evaluation

  • پروژه شماره 2 - بررسی اجمالی Project #2 - Overview

  • پروژه شماره 2 - تجسم داده ها Project #2 - Data Visualization

  • پروژه شماره 2 - آموزش مدل Project #2 - Train the Model

  • پروژه شماره 2 - مدل بازآموزی Project #2 - Retraining Model

رگرسیون لجستیک LOGISTIC REGRESSION

  • مقدمه رگرسیون لجستیک Logistic Regression Intro

  • مقدمه رگرسیون لجستیک Logistic Regression Intro

  • شهود رگرسیون لجستیک Logistic Regression Intuition

  • شهود رگرسیون لجستیک Logistic Regression Intuition

  • ماتریس سردرگمی Confusion Matrix

  • پروژه شماره 2 - واردات داده Project #2 - Data Import

  • پروژه شماره 2 - واردات داده Project #2 - Data Import

  • پروژه شماره 2 - تجسم Project #2 - Visualization

  • پروژه شماره 2 - پاکسازی داده ها Project #2 - Data Cleaning

  • پروژه شماره 2 - پاکسازی داده ها Project #2 - Data Cleaning

  • پروژه شماره 2 - تست آموزشی Project #2 - Training Testing

  • تجسم تست مدل Model Testing Visualization

رگرسیون لجستیک LOGISTIC REGRESSION

  • ماتریس سردرگمی Confusion Matrix

  • پروژه شماره 2 - تجسم Project #2 - Visualization

  • پروژه شماره 2 - تست آموزشی Project #2 - Training Testing

  • تجسم تست مدل Model Testing Visualization

استفاده از شبکه های عصبی مصنوعی برای انجام وظایف رگرسیون APPLY ARTIFICIAL NEURAL NETWORKS TO PERFORM REGRESSION TASKS

  • معرفی شبکه های عصبی مصنوعی Artificial Neural Networks Intro

  • تئوری قسمت 1 Theory Part 1

  • تئوری قسمت 2 Theory Part 2

  • تئوری قسمت 2 Theory Part 2

  • تئوری قسمت 3 Theory Part 3

  • تئوری قسمت 3 Theory Part 3

  • تئوری قسمت 4 Theory Part 4

  • تئوری قسمت 5 Theory Part 5

  • تئوری قسمت 5 Theory Part 5

  • تئوری قسمت 6 Theory Part 6

  • تئوری قسمت 6 Theory Part 6

  • پروژه - بارگذاری مجموعه داده Project - Load Dataset

  • پروژه - بارگذاری مجموعه داده Project - Load Dataset

  • پروژه - تجسم مجموعه داده Project - Visualize Dataset

  • پروژه - تجسم مجموعه داده Project - Visualize Dataset

  • مقیاس داده ها Scale the Data

  • مدل را آموزش دهید Train the Model

  • مدل را ارزیابی کنید Evaluate the Model

  • رگرسیون خطی چندگانه Multiple Linear regression

  • رگرسیون خطی چندگانه Multiple Linear regression

  • بهبود مدل با امکانات بیشتر Model Improvement with more features

  • بهبود مدل با امکانات بیشتر Model Improvement with more features

استفاده از شبکه های عصبی مصنوعی برای انجام وظایف رگرسیون APPLY ARTIFICIAL NEURAL NETWORKS TO PERFORM REGRESSION TASKS

  • معرفی شبکه های عصبی مصنوعی Artificial Neural Networks Intro

  • تئوری قسمت 1 Theory Part 1

  • تئوری قسمت 4 Theory Part 4

  • مقیاس داده ها Scale the Data

  • مدل را آموزش دهید Train the Model

  • مدل را ارزیابی کنید Evaluate the Model

رگرسیون LASSO و RIDGE LASSO AND RIDGE REGRESSION

  • Ridge and Lasso Intro Ridge and Lasso Intro

  • Ridge Lasso قسمت 1 Ridge Lasso Part 1

  • Ridge Lasso قسمت 2 Ridge Lasso Part 2

  • Ridge Lasso قسمت 3 Ridge Lasso Part 3

  • Ridge Lasso قسمت 3 Ridge Lasso Part 3

  • ریج و کمند در تمرین Ridge and Lasso in Practice

رگرسیون LASSO و RIDGE LASSO AND RIDGE REGRESSION

  • Ridge and Lasso Intro Ridge and Lasso Intro

  • Ridge Lasso قسمت 1 Ridge Lasso Part 1

  • Ridge Lasso قسمت 2 Ridge Lasso Part 2

  • ریج و کمند در تمرین Ridge and Lasso in Practice

سخنرانی های جایزه Bonus Lectures

  • ***پاداش ویژه شما*** ***YOUR SPECIAL BONUS***

  • ***پاداش ویژه شما*** ***YOUR SPECIAL BONUS***

سخنرانی های جایزه Bonus Lectures

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 کلاس کارشناسی ارشد رگرسیون یادگیری ماشین در پایتون
جزییات دوره
10.5 hours
77
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
5,780
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

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر