نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این برنامه جامع یادگیری ماشین نظارت شده (Supervised) و نظارت نشده (Unsupervised)، شما را به مهارتهای ضروری برای مدلسازی و تحلیل دادهها مجهز میکند. شما در این دوره بر تکنیکهای رگرسیون، مدلهای طبقهبندی و الگوریتمهای خوشهبندی مسلط خواهید شد تا بتوانید چالشهای دنیای واقعی را حل کرده و راهکارهای دادهمحور اثرگذاری ایجاد کنید.
در پایان این دوره، شما قادر خواهید بود:
- تسلط بر تکنیکهای رگرسیون: یادگیری رگرسیون خطی و لجستیک برای پیشبینی متغیرها و طبقهبندی دادهها و انتخاب روش مناسب برای پروژههای خود.
- بهکارگیری مدلهای طبقهبندی: کسب تخصص در درخت تصمیم (Decision Trees)، جنگل تصادفی (Random Forest) و Naive Bayes برای تحلیل دقیق دادهها و پیشبینیها.
- پیادهسازی الگوریتمهای خوشهبندی: درک و اجرای خوشهبندی K-Means برای شناسایی الگوها، گروهبندی دادهها و حل مسئلههایی مانند بخشبندی مشتریان و شناسایی الگو.
- حل مسائل دنیای واقعی: استفاده از تکنیکهای یادگیری نظارت شده و نظارت نشده برای مقابله با چالشهای پیچیده و اتخاذ تصمیمات دادهمحور.
با راهنمایی متخصصان، مهارتهای عملی لازم برای برتری در حوزه یادگیری ماشین و ارائه راهکارهای نوآورانه در صنایع مختلف را کسب خواهید کرد.
سرفصل ها و درس ها
یادگیری نظارت شده – رگرسیون و طبقهبندی
Supervised Learning – Regression and Classification
انواع رگرسیون در یادگیری نظارت شده
Types of Regression in Supervised Learning
رگرسیون خطی چیست؟
What is Linear Regression?
تحلیل رگرسیون خطی
Linear Regression
رگرسیون خطی چندگانه
Multiple Linear Regression
پیادهسازی مورد کاربردی رگرسیون خطی
Use Case Implementation of Linear Regression
رگرسیون لجستیک
Logistic Regression
پیادهسازی مورد کاربردی
Use Case Implementation
مدلهای طبقهبندی در یادگیری نظارت شده
Classification Models in Supervised Learning
دموی رگرسیون لجستیک بخش اول
Demo on Logistic Regression Part - 1
دموی رگرسیون لجستیک بخش دوم
Demo on Logistic Regression Part - 2
دموی الگوریتم K-نزدیکترین همسایه (KNN)
Demo on K-Nearest Neighbors
دموی ماشینهای بردار پشتیبان (SVM)
Demo on Support Vector Machines
آموزش درخت تصمیم
Decision Tree Tutorial
دموی درختهای تصمیم
Demo on Decision Trees
مورد کاربردی: پیشبینی بازپرداخت وام
Use Case - Loan Repayment Prediction
مزایای درخت تصمیم
Advantages of Decision Tree
جایگاه درخت تصمیم در یادگیری ماشین
Decision Tree in Machine Learning
پیادهسازی مورد کاربردی بخش اول
Use Case Implementation Part 1
الگوریتم جنگل تصادفی (Random Forest)
Random Forest Algorithm
پیادهسازی مورد کاربردی بخش اول
Use Case Implementation Part 1
پیادهسازی مورد کاربردی بخش دوم
Use Case Implementation Part 2
نایو بیز (Naive Bayes) چیست؟
What is Naive Bayes?
درک طبقهبندیکننده نایو بیز
Understanding Naive Bayes Classifier
مزایای طبقهبندیکننده نایو بیز
Advantages of Naive Bayes Classifier
نمایش نظرات