لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات