لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
یادگیری ماشین با پایتون
Machine Learning with Python
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره به بررسی طیف وسیعی از تکنیک ها برای ساخت خطوط لوله یادگیری ماشین با پایتون می پردازد. شما یاد خواهید گرفت که چگونه تکنیک های پیش پردازش را با کتابخانه Python scikit-learn انجام دهید و سپس یک مدل یادگیری ماشین از آن بسازید. ما همچنین PyTorch، یک کتابخانه یادگیری ماشینی دیگر در پایتون را پوشش خواهیم داد، و شما نحوه ایجاد تانسورها و مجموعههای داده، و همچنین نحوه استفاده از ماژول autograd و پس انتشار را خواهید فهمید.
سپس مهارتهای تازه بهدستآمده خود را با دو چالش آزمایشگاهی که بر پیشپردازش دادهها، برازش و ارزیابی هر دو مدل طبقهبندی و مدل رگرسیون تمرکز دارد، آزمایش خواهید کرد.
اهداف یادگیری
بیاموزید که چگونه روش های مختلف پیش پردازش را در scikit-learn انجام دهید
مزایا و معایب تبدیل داده های اصلی به خط لوله یادگیری ماشین را بدانید
با متغیرهای طبقه بندی شده در داخل خط لوله سروکار داشته باشید
انتساب مقادیر از دست رفته را مدیریت کنید
با استفاده از یک مدل رگرسیون ساده، تکنیکهای یادگیری نظارتشده را که برای آموزش یک مدل در یادگیری Sicit استفاده میشوند، کاوش کنید
درک مفهوم مبادله بایاس-واریانس و مدل های منظم ML
مدل های خطی را برای طبقه بندی و نحوه ارزیابی آنها بررسی کنید
یک تانسور در PyTorch ایجاد کنید
درک کنید که چه زمانی از ویژگی autograd استفاده کنید
یک مجموعه داده در PyTorch ایجاد کنید
بدانید پس انتشار چیست و چرا مهم است
مخاطب مورد نظر
این دوره برای هر کسی که به یادگیری ماشین علاقه دارد و به ویژه برای دانشمندان داده و مهندسان داده در نظر گرفته شده است.
پیش نیازها
برای استفاده بیشتر از این دوره، باید با پایتون و همچنین با اصول یادگیری ماشینی آشنا باشید. توصیه میشود قبل از شروع این دوره، دوره مقدماتی مفاهیم یادگیری ماشین را بگذرانید. برای دنبال کردن همراه با دوره PyTorch 101، باید PyTorch نسخه 1.5 یا بالاتر را داشته باشید.
سرفصل ها و درس ها
ساخت خط لوله های یادگیری ماشین با scikit-learn - قسمت اول
Building Machine Learning Pipelines with scikit-learn - Part One
معرفی
Introduction
مقیاس بندی داده ها: قسمت 1
Scaling Data: Part 1
مقیاس بندی داده ها: قسمت 2
Scaling Data: Part 2
برخورد با متغیرهای طبقه بندی شده
Dealing with Categorical Variables
مقابله با ارزش های گمشده
Dealing with Missing Values
نتیجه
Conclusion
ساخت خط لوله های یادگیری ماشین با scikit-learn - قسمت دوم
Building Machine Learning Pipelines with scikit-learn - Part Two
معرفی
Introduction
رگرسیون خطی در scikit-learn
Linear Regression in scikit-learn
مبادله تعصب-واریانس
The Bias-Variance Trade Off
مدلهای انقباض در scikit-learn
Shrinkage Models in scikit-learn
طبقه بندی در Sicit-Learn
Classification in scikit-learn
نتیجه
Conclusion
PyTorch 101
PyTorch 101
معرفی
Introduction
تانسورها در PyTorch
Tensors in PyTorch
عملیات بین تانسورها
Operations between Tensors
ماژول PyTorch Autograd
PyTorch Autograd Module
ایجاد مجموعه داده در PyTorch
Creating a Dataset in PyTorch
نمایش نظرات