آموزش یادگیری ماشین بدون نظارت با 2 پروژه ML Capstone

Unsupervised Machine Learning with 2 Capstone ML Projects

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری ML بدون نظارت کامل: تجزیه و تحلیل خوشه ای و کاهش ابعاد

آنچه خواهید آموخت

  • کارکرد ابزار K ، خوشه بندی سلسله مراتبی و DBSCAN را درک کنید.
  • پیاده سازی K Means ، Hierarchical و DBSCAN Clustering با استفاده از Sklearn.
  • معیارهای ارزیابی را برای تجزیه و تحلیل خوشه ای بیاموزید.
  • تکنیک های مورد استفاده برای درمان ابعاد را بیاموزید.
  • پیاده سازی فیلترینگ همبستگی ، VIF و انتخاب ویژگی.
  • PCA ، LDA و t-SNE را برای کاهش ابعاد پیاده کنید.
  • تجزیه و تحلیل عوامل اقلیمی برای رشد بیشتر محصولات زراعی.
  • با نگاه کردن به برخی از عوامل اقلیمی ، محصولات را توصیه کنید.
  • داده ها را در n گروه گروه های مرتبط که برای اهداف بازاریابی مفید هستند طبقه بندی کنید.
  • گروه هدف مشتریان را مشخص کنید.

درباره یادگیری ماشین بدون نظارت دیوانه هستید؟

این دوره مناسب شماست.

این دوره شما را قدم به قدم به دنیای یادگیری ماشین بدون نظارت هدایت می کند.

یادگیری ماشینی بدون نظارت ، از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل و دسته بندی مجموعه داده های بدون برچسب استفاده می کند.

این الگوریتم ها الگوهای پنهان یا گروه بندی داده ها را بدون نیاز به دخالت انسان کشف می کنند. توانایی آن در کشف شباهت ها و تفاوت ها در اطلاعات ، آن را به راه حل ایده آل برای تجزیه و تحلیل داده های اکتشافی ، استراتژی های فروش متقابل ، تقسیم بندی مشتری و تشخیص تصویر تبدیل می کند.

این دوره به شما دانش نظری و عملی در مورد یادگیری ماشین بدون نظارت می دهد.

این دوره یادگیری ماشین بدون نظارت سرگرم کننده و همچنین هیجان انگیز است.

این الگوریتم های رایج و مهم را پوشش می دهد و تجربه کار روی برخی از پروژه های دنیای واقعی را به شما می دهد.

این دوره مباحث زیر را پوشش خواهد داد: -

  1. K به معنی خوشه بندی است

  2. خوشه بندی سلسله مراتبی

  3. خوشه بندی DBSCAN

  4. معیارهای ارزیابی تجزیه خوشه ای

  5. تکنیک های مورد استفاده برای درمان ابعاد

  6. الگوریتم های مختلف برای خوشه بندی

  7. روش های مختلف برای مقابله با داده های نامتعادل.

  8. فیلترینگ همبستگی

  9. فیلترینگ واریانس

  10. PCA LDA

  11. t-SNE برای کاهش ابعاد


ما هر یک از موضوعات را با جزئیات پوشش داده ایم و همچنین یاد گرفته ایم که آنها را در مشکلات دنیای واقعی به کار ببریم.


تمرینات زیادی برای تمرین وجود دارد و همچنین 2 جایزه پروژه یادگیری ماشین بدون نظارت "بهینه سازی تولید محصول" و "موتور تقسیم بندی مشتری".

در این پروژه بهینه سازی تولید محصول ، با کشاورزی دقیق با استفاده از فناوری های علم داده مانند تجزیه خوشه ای و تجزیه و تحلیل طبقه بندی آشنا خواهید شد. شما می توانید بهترین محصولات را به کشاورزان پیشنهاد دهید تا بهره وری آنها افزایش یابد.

در این پروژه موتور بخش بندی مشتری ، شما مشتریان مشتری را به چندین گروه از افراد تقسیم می کنید که دارای شباهت های متفاوتی هستند که مربوط به بازاریابی مانند جنسیت ، سن ، علایق و عادات مخارج متفرقه است.


شما از همه موضوعاتی که در این دوره خوانده شده استفاده خواهید کرد.

همچنین به تمام منابع استفاده شده در این دوره دسترسی خواهید داشت.


اکنون ثبت نام کنید و در یادگیری ماشین بدون نظارت استاد شوید.

این دوره برای چه کسانی است:

  • هر کسی که می خواهد در یادگیری ماشین بدون نظارت کار خود را شروع کند.
  • هر کسی که می خواهد سطح دانش یادگیری ماشین بدون نظارت خود را بالا ببرد.
  • توسعه دهندگان نرم افزار یا برنامه نویسان یا دوستداران فناوری که می خواهند مسیر شغلی خود را به یادگیری ماشین بدون نظارت تغییر دهند.

سرفصل ها و درس ها

مقدمه ای بر تجزیه و تحلیل خوشه بندی Introduction to Clustering Analysis

  • مقدمه ای بر خوشه بندی Introduction to Clustering

  • انواع خوشه بندی Types of Clustering

  • برنامه های خوشه بندی Applications of Clustering

  • مسابقه آشنایی با خوشه بندی Quiz on Introduction to Clustering

  • استفاده از روش آرنج برای انتخاب بهترین ارزش برای K Using the Elbow Method for Choosing the Best Value for K

  • مقدمه ای بر K به معنی خوشه بندی Introduction to K Means Clustering

  • حل یک مشکل دنیای واقعی Solving a Real World Problem

  • پیاده سازی K Means در مجموعه داده Mall Implementing K Means on the Mall Dataset

  • با استفاده از نمره سیلوئت برای تجزیه و تحلیل خوشه ها Using Silhouette Score to analyze the clusters

  • خوشه بندی چند بعد Clustering Multiple Dimensions

  • مسابقه در K به معنی خوشه بندی است Quiz on K Means Clustering

  • مقدمه ای بر خوشه بندی سلسله مراتبی Introduction to Hierarchical Clustering

  • آشنایی با دندروگرام ها Introduction to Dendrograms

  • اجرای خوشه بندی سلسله مراتبی Implementing Hierarchical Clustering

  • آشنایی با خوشه بندی DBSCAN Introduction to DBSCAN Clustering

  • پیاده سازی خوشه بندی DBSCAN Implementing DBSCAN Clustering

  • امتحان تکنیک های خوشه بندی پیشرفته Quiz on Advanced Clustering Techniques

مقدمه ای بر کاهش ابعاد Introduction to Dimensionality Reduction

  • چرا مجموعه داده های با ابعاد بالا یک مشکل است Why High Dimensional Datasets are a Problem

  • روش هایی برای حل مشکل ابعاد بالا Methods to solve the problem of High Dimensionality

  • حل یک مشکل دنیای واقعی Solving a Real World Problem

  • امتحان مقدمه Quiz on Introduction

  • مقدمه ای بر همبستگی با استفاده از Heatmap Introduction to Correlation using Heatmap

  • حذف ستونهای بسیار همبسته با استفاده از همبستگی Removing Highly Correlated Columns using Correlation

  • امتحان فیلترینگ همبستگی Quiz on Correlation Filtering

  • مقدمه ای بر فیلترینگ تورم واریانس Introduction to Variance Inflation Filtering

  • پیاده سازی VIF با استفاده از statsmodel Implementing VIF using statsmodel

  • امتحان فیلترینگ واریانس Quiz on Variance Filtering

  • مقدمه ای بر انتخاب ویژگی بازگشتی Introduction to Recursive Feature Selection

  • پیاده سازی انتخاب ویژگی بازگشتی Implementing Recursive Feature Selection

  • معرفی الگوریتم بوروتا Introduction the Boruta Algorithm

  • پیاده سازی الگوریتم بوروتا Implementing the Boruta Algorithm

  • مسابقه در انتخاب ویژگی Quiz on Feature Selection

  • مقدمه ای بر تجزیه و تحلیل اجزای اصلی Introduction to Principal Component Analysis

  • پیاده سازی PCA Implementing PCA

  • مقدمه ای بر t-SNE Introduction to t-SNE

  • پیاده سازی t-SNE Implementing t-SNE

  • مقدمه ای بر تحلیل تبعیض خطی Introduction to Linear Discriminant Analysis

  • پیاده سازی LDA Implementing LDA

  • تفاوت بین PCA ، t-SNE و LDA Difference between PCA, t-SNE, and LDA

  • مسابقه یادگیری ماشین Quiz on Machine Learning

بهینه سازی تولید محصولات زراعی Optimizing Crop Production

  • درک مجموعه داده Understanding the Dataset

  • انجام آمار توصیفی Performing Descriptive Statistics

  • تجزیه و تحلیل شرایط کشاورزی Analyzing Agricultural Conditions

  • خوشه بندی محصولات مشابه Clustering Similar Crops

  • تجسم الگوهای پنهان Visualizing the Hidden Patterns

  • ایجاد مدل طبقه بندی یادگیری ماشین Building a Machine Learning Classification Model

  • پیش بینی های زمان واقعی Real Time Predictions

  • خلاصه نکات کلیدی Summarizing the Key-Points

  • مسابقه بهینه سازی تولید محصول Quiz on Optimizing Crop Production

موتور تقسیم بندی مشتری Customer Segmentation Engine

  • درک بیان مسئله Understanding the Problem Statement

  • درک بیان مسئله Understanding the Problem Statement

  • تنظیم محیط زیست Setting up the Environment

  • تنظیم محیط زیست Setting up the Environment

  • تجزیه و تحلیل و تجسم داده ها Data Analysis and Visualization

  • تجزیه خوشه ای KMeans KMeans Clustering Analysis

  • استفاده از خوشه بندی سلسله مراتبی Applying Hierarchical Clustering

  • خوشه بندی سه بعدی Three Dimensional Clustering

  • مسابقه در موتور تقسیم بندی مشتری Quiz on Customer Segmentation Engine

بخش خارج از منزل Outro Section

  • نتیجه Conclusion

  • چگونه می توان گواهی پایان کار خود را دریافت کرد How to Get Your Certificate of Completion

بخش پاداش Bonus Section

  • سخنرانی جایزه Bonus Lecture

نمایش نظرات

آموزش یادگیری ماشین بدون نظارت با 2 پروژه ML Capstone
جزییات دوره
3h 0m
61
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
915
از 5
ندارد
ندارد
ندارد
Data is Good
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Data is Good Data is Good

یک تیم بزرگ ، گوگل ، فیس بوک ، کاگل ، ما یک شرکت آموزش فناوری "indie" هستیم. این چشم انداز ما این است که با تبدیل آموزش ، توانایی بالقوه انسانی را باز کنیم و آن را برای همه قابل دسترسی و مقرون به صرفه کنیم. ما به شدت مستقل و مفتخریم که تنها تمرکز خود را برای ایجاد آموزش فناوری در سطح جهانی برای هر کسی در این کره خاکی می دانیم. داده ها خوب است که ماموریت دارند دوره هایی ایجاد کنند که دانش آموزان ما را نه تنها موضوع یاد بگیرند ، بلکه عاشق آن شوند و یادگیرندگان پرشور و مادام العمر آن موضوع شوند.