لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش شروع یادگیری ماشین در پایتون [ویدئو]
Getting Started with Machine Learning in Python [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشینی یک موضوع داغ است. و شما می خواهید درگیر شوید! از توسعه دهندگان گرفته تا تحلیلگران، هدف این دوره ارائه یادگیری ماشینی به کسانی است که تجربه کدنویسی و مهارت های عددی دارند.
در این دوره، ما از طریق شهود و نه تئوری، هسته اصلی آنچه که یادگیری ماشین را کار میکند، معرفی میکنیم. یاد بگیرید که چگونه از مجموعه داده های برچسب گذاری شده برای طبقه بندی اشیا یا پیش بینی مقادیر آینده استفاده کنید تا بتوانید تجزیه و تحلیل دقیق و ارزشمندتری ارائه دهید. از مجموعه دادههای بدون برچسب برای انجام تقسیمبندی و خوشهبندی استفاده کنید تا بتوانید یک مجموعه داده بزرگ را به گروههای معقول جدا کنید.
شما یاد خواهید گرفت که ارزش مجموعه داده خود را درک کرده و تخمین بزنید. ما شما را از طریق ایجاد بهترین معیار عملکرد برای کارتان راهنمایی میکنیم و اینکه چگونه شما را به مدل صحیح برای حل مشکلتان میبرد. بدانید که چگونه داده ها را برای برنامه خود پاک کنید و چگونه تشخیص دهید که با کدام کار یادگیری ماشینی سروکار دارید.
اگر میخواهید از Excel و if-then-else عبور کنید و به راهحلهای یادگیری خودکار ML بروید، این دوره برای شما مناسب است!
همه کدها و فایل های پشتیبانی در GitHub در دسترس هستند - https://github.com/PacktPublishing/Getting-Started-with-Machine-Learning-in-Python-
این دوره از Python 3.6 استفاده می کند، در حالی که آخرین نسخه موجود نیست، محتوای مرتبط و آموزنده را برای کاربران قدیمی پایتون ارائه می دهد. * مفاهیم اصلی یادگیری ماشینی، بنابراین شما می توانید دانشمندان داده را درک کنید
* داده های خود را برای بهینه سازی نحوه تغذیه مدل های یادگیری ماشینی خود پاک کنید.
* رگرسیون را در یک محیط یادگیری تحت نظارت انجام دهید تا بتوانید اعداد، قیمت ها و نرخ تبدیل را پیش بینی کنید.
* طبقه بندی را در یک محیط یادگیری نظارت شده انجام دهید، به مدل آموزش دهید تا بین گیاهان مختلف، موضوعات بحث و اشیاء تمایز قائل شود.
* از مدلهای درخت تصمیم و جنگلهای تصادفی استفاده کنید و مدلهایی را بسازید که قابل توضیح اما قدرتمند هستند.
* از مدلهای خطی با SVM و رگرسیون چند جملهای عبور کنید و روابط غیرخطی را حل کنید.
* خط لوله یادگیری ماشینی خود را اندازه گیری و ارزیابی کنید تا بتوانید راه حل خود را در طول زمان بهبود بخشید.
این دوره برای هر کسی با کمی تجربه کدنویسی و مهارت های عددی اولیه است که می خواهد فراتر از برنامه نویسی مبتنی بر قوانین کدگذاری سخت رفته و از مجموعه داده های خود برای یادگیری خودکار الگوریتم های جدید که مسائل را حل می کند استفاده کند. از توسعه دهندگان گرفته تا تحلیلگران، هدف این دوره ارائه یادگیری ماشینی به همه است. از شهود به عنوان پایه ای برای توضیح نظریه پشت یادگیری ماشین و الگوریتم های آن استفاده می کند. مهارت های پایه پایتون فرض شده است.
* در مورد یادگیری نظارت شده بیاموزید: نحوه طبقه بندی نقاط داده و پیش بینی اعداد آینده * * تمرین های عملی در مورد یادگیری بدون نظارت: نحوه تقسیم بندی مشتریان و اسناد خوشه ای * * تور عملی مبتنی بر شهود از طریق یادگیری ماشینی، همراه با دستورالعمل های گام به گام، نمونه های کاری و توصیه های مفید *
سرفصل ها و درس ها
راه اندازی یک محیط پایتون برای ایجاد مدل های یادگیری ماشینی
Launching a Python Environment to Create Machine Learning Models
بررسی اجمالی دوره
The Course Overview
یادگیری ماشین در مقابل برنامه نویسی مبتنی بر قانون
Machine Learning versus Rule-Based Programming
درک آنچه که یادگیری ماشینی با استفاده از چارچوب وظایف می تواند انجام دهد
Understanding What Machine Learning Can Do Using the Tasks Framework
ایجاد مدل های یادگیری ماشینی با پایتون و scikit-learn
Creating Machine-Learned Models with Python and scikit-learn
یادگیری تحت نظارت در مقابل یادگیری بدون نظارت
Supervised Versus Unsupervised Learning
مجموعه داده های خود را برای یادگیری ماشینی با پاکسازی داده ها آماده کنید
Prepare Your Datasets for Machine Learning with Data Cleaning
مدل های یادگیری ماشین خود را با درک منبع داده خود اصلاح کنید
Fix Your Machine Learning Models by Understanding Your Data Source
برخورد با ارزش های از دست رفته - یک مثال
Dealing with Missing Values – An Example
استانداردسازی و عادی سازی برای مقابله با متغیرها با مقیاس های مختلف
Standardization and Normalization to Deal with Variables with Different Scales
داده ها را با طبقه بندی در دسته های مناسب خود قرار دهید
Put Data into Their Right Categories with Classification
چگونه قوانین طبقه بندی اشیاء را یاد بگیریم؟
How Do We Learn Rules to Classify Objects?
درک رگرسیون لجستیک - اولین طبقه بندی کننده شما
Understanding Logistic Regression – Your First Classifier
استفاده از رگرسیون لجستیک برای طبقه بندی عنبیه
Applying Logistic Regression to the Iris Classification Task
بستن اولین خط لوله یادگیری ماشین با یک ارزیاب مدل ساده
Closing Our First Machine Learning Pipeline with a Simple Model Evaluator
پیش بینی اعداد در آینده با رگرسیون
Predict Numbers in the Future with Regression
ایجاد فرمول هایی که آینده را پیش بینی می کند - نمونه ای از قیمت خانه
Creating Formulas That Predict the Future – A House Price Example
درک رگرسیون خطی - اولین رگرسیور شما
Understanding Linear Regression – Your First Regressor
استفاده از رگرسیون خطی برای کار قیمت خانه بوستون
Applying Linear Regression to the Boston House Price Task
ارزیابی پیش بینی های عددی با حداقل مربعات
Evaluating Numerical Predictions with Least Squares
یادگیری بدون نظارت: بخشبندی گروهها و تشخیص نقاط پرت
Unsupervised Learning: Segmenting Groups and Detecting Outliers
بررسی یادگیری بدون نظارت و سودمندی آن
Exploring Unsupervised Learning and Its Usefulness
یافتن گروه ها به صورت خودکار با K-means خوشه بندی
Finding Groups Automatically with K-means Clustering
کاهش تعداد متغیرها در داده های خود با PCA
Reducing the Number of Variables in Your Data with PCA
هیستوگرام های خود را با تخمین چگالی هسته صاف کنید
Smooth out Your Histograms with Kernel Density Estimation
مدل سازی روابط پیچیده با مدل های غیرخطی
Modeling Complex Relationships with Nonlinear Models
ایجاد مدل های قابل توضیح با درختان تصمیم
Create Explainable Models with Decision Trees
با روابط غیرخطی با رگرسیون چند جمله ای مقابله کنید
Deal with Nonlinear Relationships with Polynomial Regression
با منظم سازی تعداد قوانین آموخته شده را کاهش دهید
Reduce the Number of Learned Rules with Regularization
مهندسی ویژگی های خودکار با ماشین های بردار پشتیبانی
Automatic Feature Engineering with Support Vector Machines
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
کولیبری یک شرکت مشاوره فناوری است که در سال 2015 توسط جیمز کراس و اینگرید فونی تاسیس شد. این شرکت با تخصص عمیق در زمینه هایی مانند کلان داده، علم داده، یادگیری ماشین و محاسبات ابری، به مشتریان خود کمک می کند تا در دنیای به سرعت در حال تغییر و پیچیده فناوری های نوظهور حرکت کنند. در چند سال گذشته، آنها با برخی از بزرگترین و معتبرترین شرکت های جهان، از جمله بانک سرمایه گذاری ردیف 1، یک گروه مشاوره مدیریت پیشرو، و یکی از محبوب ترین شرکت های نوشابه در جهان کار کرده اند و به هر یک از آنها کمک کرده اند تا داده های آن را بهتر درک کرده و آن ها را به روش های هوشمندانه تری پردازش کنید. این شرکت با شعار خود زندگی می کند: داده -> هوش -> عمل.
جیمز کراس یک مهندس داده بزرگ و معمار راه حل های AWS دارای گواهینامه است که علاقه زیادی به برنامه های کاربردی داده محور دارد. او 3 تا 5 سال گذشته را صرف کمک به مشتریان خود برای طراحی و پیادهسازی پلتفرمهای کلان داده در مقیاس عظیم، استریم، پشتههای تحلیلی مبتنی بر ابر و معماریهای بدون سرور کرده است.
او کار حرفهای خود را در بانکداری سرمایهگذاری، با کار با فناوریهای جاافتاده مانند جاوا و SQL Server، قبل از ورود به فضای Big Data آغاز کرد. از آن زمان او با طیف وسیعی از ابزارهای کلان داده از جمله اکثر اکو سیستم Hadoop، Spark و بسیاری از فناوریهای No-SQL مانند Cassandra، MongoDB، Redis و DynamoDB کار کرده است. اخیراً تمرکز او بر روی فناوریهای ابری و نحوه استفاده از آنها در تجزیه و تحلیل دادهها بوده است که در کار او در Scout Solutions به عنوان CTO و اخیراً با Mckinsey به اوج خود رسیده است.
جیمز یک معمار راه حل های دارای گواهینامه AWS با چندین سال تجربه در طراحی و اجرای راه حل ها در این پلت فرم ابری است. او بهعنوان مدیر ارشد فناوری Scout Solutions Ltd، مجموعهای کاملاً بدون سرور از APIها و یک پشته تحلیلی مبتنی بر Lambda و Redshift ساخت.
نمایش نظرات