Python Scikit برنامه نویسی را با تمرین های کدنویسی یاد می گیرد

Python Scikit learn Programming with Coding Exercises

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: مهارت یادگیری ماشین با یادگیری Scikit از طریق چالش های کدگذاری عملی نحوه پیش پردازش داده ها و انجام مهندسی ویژگی برای مدل های یادگیری ماشین. تکنیک‌هایی برای پیاده‌سازی الگوریتم‌های یادگیری تحت نظارت و بدون نظارت با استفاده از Scikit-learn. روش‌هایی برای ارزیابی، تنظیم دقیق و استقرار مدل‌های یادگیری ماشین. مهارت‌های عملی در ساخت خطوط لوله یادگیری ماشین و استفاده از تکنیک‌های اعتبارسنجی متقابل. پیش نیازها: دانش اولیه برنامه نویسی پایتون. آشنایی با مفاهیم اولیه آماری و جبر خطی.

به برنامه‌نویسی Python Scikit-learn با تمرین‌های کدگذاری خوش آمدید، دوره‌ای طراحی شده است تا شما را از یک سطح مبتدی به سطح پیشرفته در یادگیری ماشین با استفاده از Scikit-learn، کتابخانه‌ای برای یادگیری ماشین در پایتون، برساند. Scikit-learn یک کتابخانه قدرتمند و آسان برای استفاده است که ابزارهای ساده و کارآمدی را برای تجزیه و تحلیل داده ها و یادگیری ماشین ارائه می دهد. چه علاقه‌مند به داده‌ها، چه یک توسعه‌دهنده پایتون یا حرفه‌ای باشید که به دنبال ورود به حوزه یادگیری ماشینی هستید، این دوره شما را به مهارت‌های لازم برای برتری در ساخت مدل‌های پیش‌بینی‌کننده مجهز می‌کند.

چرا یادگیری Scikit-learn ضروری است؟ با افزایش تقاضا برای تصمیم گیری مبتنی بر داده، توانایی ساخت و استقرار مدل های یادگیری ماشینی به طور فزاینده ای ضروری می شود. Scikit-learn طیف گسترده ای از الگوریتم ها و ابزارهایی را ارائه می دهد که برای پیاده سازی راه حل های یادگیری ماشینی در حوزه های مختلف، مانند امور مالی، مراقبت های بهداشتی، بازاریابی و موارد دیگر بسیار مهم هستند. این دوره به گونه‌ای طراحی شده است که به شما کمک می‌کند تا تجربه عملی را با Scikit-learn کسب کنید، و به شما امکان می‌دهد تکنیک‌های یادگیری ماشینی را برای حل مشکلات دنیای واقعی به کار ببرید.

در طول این دوره، شما در یک سری تمرین های کدنویسی شرکت خواهید کرد که طیف وسیعی از موضوعات را پوشش می دهد، از جمله:

  • مقدمه ای بر Scikit-learn و اکوسیستم آن

  • پیش پردازش داده و مهندسی ویژگی

  • الگوریتم‌های یادگیری تحت نظارت مانند رگرسیون خطی، درخت‌های تصمیم‌گیری و ماشین‌های بردار پشتیبان

  • الگوریتم‌های یادگیری بدون نظارت مانند خوشه‌بندی k-means و تجزیه و تحلیل مؤلفه اصلی (PCA)

  • ارزیابی مدل و تنظیم فراپارامتر

  • اجرای تکنیک های اعتبارسنجی متقابل

  • ساخت و استقرار خطوط لوله یادگیری ماشین

هر تمرین برای تقویت درک شما از مفاهیم و تکنیک‌ها طراحی شده است و تضمین می‌کند که تجربه عملی در پیاده‌سازی مدل‌های یادگیری ماشین با Scikit-learn به دست می‌آورید.

معرفی مربی: مدرس شما، فیصل ضمیر، یک توسعه دهنده و مربی با تجربه پایتون با بیش از 7 سال تجربه در آموزش و توسعه نرم افزار است. درک عمیق فیصل از یادگیری ماشین و برنامه نویسی پایتون، همراه با سبک تدریس عملی او، شما را به راحتی از طریق پیچیدگی های Scikit-learn راهنمایی می کند.

30 روز ضمانت بازگشت وجه: ما مطمئن هستیم که این دوره مهارت های ارزشمندی را در اختیار شما قرار می دهد، به همین دلیل است که 30 روز ضمانت بازگشت وجه ارائه می دهیم. اگر کاملاً راضی نیستید، می‌توانید درخواست بازپرداخت کامل و بدون سؤال کنید.

گواهی در پایان دوره: پس از اتمام موفقیت آمیز دوره، گواهینامه ای دریافت خواهید کرد که تخصص شما در یادگیری ماشین با Scikit-learn را تایید می کند. این گواهی می تواند افزودنی ارزشمند به مجموعه حرفه ای شما باشد.


سرفصل ها و درس ها

مقدمه ای بر Scikit-learn Introduction to Scikit-learn

  • مقدمه ای بر Scikit-learn Introduction to Scikit-learn

  • درس 01 Lesson 01

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 01 Assignment 01

  • تمرین تست 01 Practice Test 01

پیش پردازش داده ها Data Preprocessing

  • پیش پردازش داده ها Data Preprocessing

  • درس 02 Lesson 02

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 02 Assignment 02

یادگیری تحت نظارت - رگرسیون Supervised Learning - Regression

  • یادگیری تحت نظارت - رگرسیون Supervised Learning - Regression

  • درس 03 Lesson 03

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 03 Assignment 03

یادگیری تحت نظارت - طبقه بندی Supervised Learning - Classification

  • یادگیری تحت نظارت - طبقه بندی Supervised Learning - Classification

  • درس 04 Lesson 04

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 04 Assignment 04

ارزیابی و انتخاب مدل Model Evaluation and Selection

  • ارزیابی و انتخاب مدل Model Evaluation and Selection

  • درس 05 Lesson 05

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 05 Assignment 05

یادگیری بدون نظارت - خوشه بندی Unsupervised Learning - Clustering

  • یادگیری بدون نظارت - خوشه بندی Unsupervised Learning - Clustering

  • درس 06 Lesson 06

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 06 Assignment 06

کاهش ابعاد Dimensionality Reduction

  • کاهش ابعاد Dimensionality Reduction

  • درس 07 Lesson 07

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 07 Assignment 07

آموزش گروهی Ensemble Learning

  • آموزش گروهی Ensemble Learning

  • درس 08 Lesson 08

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 08 Assignment 08

مباحث پیشرفته - تفسیر مدل Advanced Topics - Model Interpretation

  • مباحث پیشرفته - تفسیر مدل Advanced Topics - Model Interpretation

  • درس 09 Lesson 09

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 09 Assignment 09

پروژه نهایی - خط لوله یادگیری ماشینی پایان به انتها Final Project - End-to-End Machine Learning Pipeline

  • پروژه نهایی - خط لوله یادگیری ماشینی پایان به انتها Final Project - End-to-End Machine Learning Pipeline

  • درس 10 Lesson 10

  • تمرین های کدنویسی Coding Exercises

  • تکلیف 10 Assignment 10

  • تمرین تست 02 Practice Test 02

نمایش نظرات

Python Scikit برنامه نویسی را با تمرین های کدنویسی یاد می گیرد
جزییات دوره
1.5 hours
30
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,032
5 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Python AI ML DL DS Quiz Maker Python AI ML DL DS Quiz Maker

آزمون ساز یادگیری ماشینی هوش مصنوعی پایتون