آموزش یادگیری ماشین با پایتون: دوره کامل برای مبتدیان - آخرین آپدیت

دوره کامل یادگیری ماشین با پایتون برای مبتدیان

تسلط بر یادگیری ماشین با پایتون و ایجاد تحلیل‌های قدرتمند، پیش‌بینی‌های دقیق و مدل‌های یادگیری ماشین قوی. از یادگیری ماشین برای اهداف شخصی استفاده کنید و ارتش بزرگی از مدل‌های یادگیری ماشین بسازید و بیاموزید چگونه آن‌ها را برای حل هر مشکلی ترکیب کنید. داده‌ها را با استفاده از خوشه‌بندی K-Means، ماشین‌های بردار پشتیبان (SVM)، KNN، درخت‌های تصمیم، بیز ساده و PCA طبقه‌بندی کنید. داده‌های ورودی خود را برای حذف داده‌های پرت پاکسازی نمایید.

پیش‌نیازها: هیچ تجربه قبلی لازم نیست، شما هر آنچه نیاز دارید را خواهید آموخت. (دانش پایه‌ای پایتون شانس شما را برای یادگیری سریع افزایش می‌دهد.)

یادگیری ماشین و هوش مصنوعی (AI) در همه‌جا حضور دارند؛

اگر می‌خواهید بدانید چگونه شرکت‌هایی مانند گوگل، آمازون و حتی یودمی از مجموعه داده‌های عظیم معنا و بینش استخراج می‌کنند، این دوره علم داده مبانی مورد نیاز شما را فراهم می‌کند. دانشمندان داده از یکی از پردرآمدترین مشاغل لذت می‌برند، با متوسط حقوق 120,000 دلار طبق گزارش گلس‌دور و ایندیت. و این فقط متوسط حقوق است! و این فقط پول نیست - کار جذاب است!

یادگیری ماشین (مرور کامل دوره)

مبانی

• مقدمه‌ای بر یادگیری ماشین

  • مقدمه
  • کاربرد یادگیری ماشین در زمینه‌های مختلف.
  • مزایای استفاده از کتابخانه‌های پایتون. (پایتون برای یادگیری ماشین).

• پایتون برای هوش مصنوعی و یادگیری ماشین

  • مبانی پایتون
  • توابع، بسته‌ها و رویه‌های پایتون.
  • کار با ساختارهای داده، آرایه‌ها، بردارها و فریم‌های داده. (مقدماتی با چند مثال)
  • Jupyter Notebook - نصب و عملکرد
  • Pandas، NumPy، Matplotlib، Seaborn

• آمار کاربردی

  • آمار توصیفی
  • احتمال و احتمال شرطی
  • آزمون فرض
  • آمار استنباطی
  • توزیع‌های احتمال - انواع توزیع - توزیع دوجمله‌ای، پواسون و نرمال

یادگیری ماشین

• یادگیری نظارت شده

  • رگرسیون خطی چند متغیره

  • رگرسیون

    • مقدمه‌ای بر رگرسیون
    • رگرسیون خطی ساده
    • ارزیابی مدل در مدل‌های رگرسیون
    • معیارهای ارزیابی در مدل‌های رگرسیون
    • رگرسیون خطی چندگانه
    • رگرسیون غیرخطی
  • طبقه‌بندی‌کننده‌های بیز ساده
  • رگرسیون چندگانه
  • طبقه‌بندی K-NN
  • ماشین‌های بردار پشتیبان

• یادگیری نظارت نشده

  • مقدمه‌ای بر خوشه‌بندی
  • خوشه‌بندی K-Means
  • خوشه‌بندی ابعاد بالا
  • خوشه‌بندی سلسله مراتبی
  • کاهش بعد - PCA

• طبقه‌بندی

  • مقدمه‌ای بر طبقه‌بندی
  • همسایگان نزدیک K
  • معیارهای ارزیابی در طبقه‌بندی
  • مقدمه‌ای بر درخت‌های تصمیم
  • ساخت درخت‌های تصمیم
  • مقدمه‌ای بر رگرسیون لجستیک
  • رگرسیون لجستیک در مقابل رگرسیون خطی
  • آموزش رگرسیون لجستیک
  • ماشین بردار پشتیبان

• تکنیک‌های ترکیبی (Ensemble)

  • درخت‌های تصمیم
  • Bagging
  • جنگل‌های تصادفی (Random Forests)
  • Boosting

• مهندسی ویژگی، انتخاب و تنظیم مدل

  • مهندسی ویژگی
  • عملکرد مدل
  • خط لوله یادگیری ماشین (ML pipeline)
  • Grid Search CV
  • اعتبارسنجی متقابل K-fold
  • انتخاب و تنظیم مدل
  • تنظیم مدل‌های خطی
  • نمونه‌برداری Bootstrap
  • Randomized Search CV

• سیستم‌های توصیه‌گر

  • مقدمه‌ای بر سیستم‌های توصیه‌گر
  • مدل مبتنی بر محبوبیت
  • مدل‌های ترکیبی
  • سیستم توصیه‌گر محتوا محور
  • فیلترینگ مشارکتی

ماژول‌های اضافی

• EDA (تحلیل اکتشافی داده)

  • کتابخانه Pandas-Profiling

• پیش‌بینی سری‌های زمانی

  • رویکرد ARIMA

• استقرار مدل

  • Kubernetes

پروژه نهایی (Capstone Project)

اگر تجربه برنامه‌نویسی یا اسکریپت‌نویسی دارید، این دوره تکنیک‌هایی را که دانشمندان داده واقعی و متخصصان یادگیری ماشین در صنعت فناوری استفاده می‌کنند به شما آموزش می‌دهد و شما را برای ورود به این مسیر شغلی داغ آماده می‌کند. هر مفهوم به زبان انگلیسی ساده معرفی می‌شود و از نمادهای ریاضی پیچیده و اصطلاحات تخصصی پرهیز می‌شود. سپس با استفاده از کد پایتون که می‌توانید با آن آزمایش کرده و توسعه دهید، به همراه یادداشت‌هایی که می‌توانید برای مراجعه آینده نگه دارید، نمایش داده می‌شود. شما پوشش آکادمیک و ریاضی عمیق این الگوریتم‌ها را در این دوره نخواهید یافت - تمرکز بر درک عملی و کاربرد آن‌ها است. در پایان، یک پروژه نهایی برای اعمال آموخته‌هایتان به شما ارائه خواهد شد!

بازخورد دانشجویان ما: دوره عالی. ارائه دقیق و سازمان‌یافته. کل دوره پر از یادگیری است، نه تنها تئوری بلکه مثال‌های عملی نیز دارد. آقای ریساب به اندازه کافی مهربان هستند که تجربیات عملی و مشکلات واقعی که دانشمندان داده/مهندسان یادگیری ماشین با آن‌ها روبرو هستند را به اشتراک بگذارند. موضوع "اخلاق یادگیری عمیق" واقعاً یک قطعه طلایی است که همه باید آن را دنبال کنند. از 1stMentor و آکادمی SelfCode برای این دوره فوق‌العاده متشکریم.