آموزش یادگیری نظارت شده: رگرسیون، طبقه‌بندی و خوشه‌بندی - آخرین آپدیت

دانلود Supervised Learning Regression Classification Clustering

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

  • پیاده‌سازی مورد کاربردی Use Case Implementation

یادگیری نظارت نشده – الگوریتم‌های خوشه‌بندی Unsupervised Learning – Clustering Algorithms

  • انواع خوشه‌بندی Types of Clustering

  • خوشه‌بندی K-Means چیست؟ What is K Means Clustering?

  • کاربردهای خوشه‌بندی K-Means Applications of K-Means Clustering

  • خوشه‌بندی K-Means چگونه کار می‌کند؟ How Does K-Means Clustering Work?

  • الگوریتم خوشه‌بندی K-Means K-Means Clustering Algorithm

  • دموی خوشه‌بندی K-Means Demo K-Means Clustering

  • مورد کاربردی: فشرده‌سازی رنگ Use Case Color Compression

نمایش نظرات

آموزش یادگیری نظارت شده: رگرسیون، طبقه‌بندی و خوشه‌بندی
جزییات دوره
7h 44m
32
(آخرین آپدیت)
539
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده