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

  • پس انتشار در PyTorch Backpropagation in PyTorch

  • خلاصه Summary

نمایش نظرات

یادگیری ماشین با پایتون
جزییات دوره
3h 2m
19
CloudAcademy CloudAcademy
(آخرین آپدیت)
1,364
5 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Andrea Giussani Andrea Giussani

Andrea یک دانشمند داده در Cloud Academy است. او مشتاق مدل‌سازی آماری و الگوریتم‌های یادگیری ماشین است، به‌ویژه برای حل وظایف تجاری.

او دارای مدرک دکترا در آمار است و در چندین مجله دانشگاهی با داوری همتایان منتشر کرده است. او همچنین نویسنده کتاب یادگیری ماشین کاربردی با پایتون است.