آموزش ساخت درخت تصمیم، SVM و شبکه‌های عصبی مصنوعی - آخرین آپدیت

دانلود Build Decision Trees, SVMs, and Artificial Neural Networks

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: الگوریتم‌های یادگیری ماشین در انواع مختلفی وجود دارند که هر یک ویژگی‌های خاصی دارند و بسته به مسئله، مناسب‌تر یا نامناسب‌تر هستند. درخت‌های تصمیم (Decision Trees) و ماشین‌های بردار پشتیبان (SVMs) دو نمونه از الگوریتم‌هایی هستند که هم برای مسائل رگرسیون و هم برای دسته‌بندی (Classification) کاربرد دارند، اما کاربردهای متفاوتی دارند. به همین ترتیب، رویکرد پیشرفته‌تری در یادگیری ماشین به نام یادگیری عمیق (Deep Learning) وجود دارد که از شبکه‌های عصبی مصنوعی (ANNs) برای حل این نوع مسائل و موارد پیچیده‌تر استفاده می‌کند. افزودن تمامی این الگوریتم‌ها به مهارت‌های شما برای انتخاب بهترین ابزار جهت حل هر مسئله، حیاتی است. این دوره چهارم و نهایی از گواهینامه حرفه‌ای متخصص هوش مصنوعی (CAIP)، با معرفی الگوریتم‌های بیشتر و در برخی موارد پیشرفته‌تر در یادگیری ماشین و یادگیری عمیق، ادامه می‌یابد. مانند دوره‌های قبل، شما مدل‌های متعددی را برای حل مشکلات تجاری در یک گردش‌کار (Workflow) استاندارد خواهید ساخت. در نهایت، این دوره بررسی فنی الگوریتم‌های مختلف یادگیری ماشین و نحوه استفاده از آن‌ها برای ساخت مدل‌های حل مسئله را به پایان می‌رساند.

سرفصل ها و درس ها

ساخت درخت تصمیم و جنگل تصادفی Build Decision Trees and Random Forests

  • مقدمه دوره ساخت درخت تصمیم، SVM و شبکه‌های عصبی مصنوعی Build Decision Trees, SVMs, and Artificial Neural Networks Course Introduction

  • مقدمه تخصص CAIP CAIP Specialization Introduction

  • مقدمه ماژول ساخت درخت تصمیم و جنگل تصادفی Build Decision Trees and Random Forests Module Introduction

  • درخت تصمیم Decision Tree

  • درخت دسته‌بندی و رگرسیون (CART) Classification and Regression Tree (CART)

  • مثال شاخص جینی (Gini Index) Gini Index Example

  • هایپرپارامترهای CART CART Hyperparameters

  • هرس کردن (Pruning) Pruning

  • الگوریتم C4.5 C4.5

  • تعیین محدوده (Bin Determination) Bin Determination

  • کدگذاری One Hot One-Hot Encoding

  • مقایسه درخت تصمیم با سایر الگوریتم‌ها Decision Trees Compared to Other Algorithms

  • یادگیری مجموعه‌ای (Ensemble Learning) Ensemble Learning

  • جنگل تصادفی (Random Forest) Random Forest

  • هایپرپارامترهای جنگل تصادفی Random Forest Hyperparameters

  • مزایای انتخاب ویژگی Feature Selection Benefits

ساخت ماشین‌های بردار پشتیبان (SVM) Build Support-Vector Machines (SVM)

  • مقدمه ماژول ساخت ماشین‌های بردار پشتیبان (SVM) Build Support-Vector Machines (SVM) Module Introduction

  • ماشین‌های بردار پشتیبان (SVMs) Support-Vector Machines (SVMs)

  • استفاده از SVM برای دسته‌بندی خطی SVMs for Linear Classification

  • دسته‌بندی با حاشیه سخت و نرم (Hard & Soft Margin) Hard-Margin and Soft-Margin Classification

  • استفاده از SVM برای دسته‌بندی غیرخطی SVMs for Non-Linear Classification

  • ترفند کرنل (Kernel Trick) Kernel Trick

  • متدهای کرنل Kernel Methods

  • استفاده از SVM برای رگرسیون SVMs for Regression

ساخت پرسپترون‌های چند لایه (MLP) Build Multi-Layer Perceptrons (MLP)

  • مقدمه ماژول ساخت پرسپترون‌های چند لایه (MLP) Build Multi-Layer Perceptrons (MLP) Module Introduction

  • شبکه عصبی مصنوعی (ANN) Artificial Neural Network (ANN)

  • پرسپترون Perceptron

  • آموزش پرسپترون Perceptron Training

  • پرسپترون چند لایه (MLP) Multi-Layer Perceptron (MLP)

  • لایه‌های ANN ANN Layers

  • پس‌انتشار (Backpropagation) Backpropagation

  • توابع فعال‌ساز Activation Functions

ساخت شبکه‌های عصبی پیچشی و بازگشتی (CNN/RNN) Build Convolutional and Recurrent Neural Networks (CNN/RNN)

  • مقدمه ماژول ساخت شبکه‌های عصبی پیچشی و بازگشتی (CNN/RNN) Build Convolutional and Recurrent Neural Networks (CNN/RNN) Module Introduction

  • شبکه عصبی پیچشی (CNN) Convolutional Neural Network (CNN)

  • فیلترهای CNN CNN Filters

  • پدینگ و استراید (Padding and Stride) Padding and Stride

  • معماری CNN CNN Architecture

  • شبکه مولد رقابتی (GAN) Generative Adversarial Network (GAN)

  • شبکه عصبی بازگشتی (RNN) Recurrent Neural Network (RNN)

  • سلول حافظه Memory Cell

  • آموزش RNN RNN Training

  • سلول حافظه کوتاه مدت طولانی (LSTM) Long Short-Term Memory (LSTM) Cell

  • جاسازی (Embedding) Embedding

اعمال آموخته‌های دوره Apply What You've Learned

نمایش نظرات

آموزش ساخت درخت تصمیم، SVM و شبکه‌های عصبی مصنوعی
جزییات دوره
21h 54m
43
(آخرین آپدیت)
4,868
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar