جبر خطی از مبتدی تا پیشرفته همراه با تمرینات پایتون - آخرین آپدیت

دانلود Beginner - Expert Linear Algebra, with Practice in Python.

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر جبر خطی با توضیحات شفاف و concise، به همراه مثال‌های کاربردی در حوزه‌های مختلف مانند یادگیری ماشین. درک جبر ماتریسی و به‌کارگیری آن در حل معادلات خطی و تبدیلات، همراه با نمونه‌های عملی در پایتون. تسلط بر بردارها، ویژگی‌های برداری، فضاهای برداری، زیرفضاها و کاربرد آن‌ها در سیستم‌های مختصاتی. بررسی زیرفضاهای بنیادی و نحوه محاسبه آن‌ها. تسلط بر بردارهای متعامد و orthonormal و تصویرهای متعامد. سپس محاسبه کمترین فاصله و متعامدسازی گرام-اشمیت. تجزیه ماتریس‌ها مانند تجزیه مقادیر ویژه (Eigen)، کولسکی (Cholesky) و تجزیه مقدار مفرد (SVD). تسلط بر قطری‌سازی، تقریب رتبه کامل و تقریب رتبه پایین. معکوس ماتریس، کمترین مربعات و معادله نرمال. رگرسیون خطی و تمرین پیش‌بینی قیمت خانه در Kaggle. توضیح و استخراج تحلیل مؤلفه‌های اصلی (PCA) از پایه و به‌کارگیری آن در تشخیص چهره با استفاده از الگوریتم Eigen Faces. پیش نیازها: جبر پایه. بدون نیاز به تجربه برنامه‌نویسی.

در این دوره، ما مفاهیم کلیدی جبر خطی و نحوه استفاده از آن‌ها برای حل مسائل دنیای واقعی را بررسی می‌کنیم. موضوعات اصلی مانند ماتریس‌ها، بردارها و فضاهای برداری را به طور کامل می‌گذرانیم. اگر علاقه‌مند به یادگیری مفاهیم ریاضی جبر خطی هستید و می‌خواهید این مفاهیم را در علوم داده، آمار، مالی، مهندسی و غیره به کار ببرید، این دوره برای شماست! ما تمامی مفاهیم ریاضی را با جزئیات توضیح داده و آن‌ها را به صورت برنامه‌نویسی در پایتون پیاده‌سازی می‌کنیم. ما بر بازخورد تأکید زیادی داریم؛ هر تعداد سوال که دارید بپرسید تا این دوره را تا حد امکان تعاملی کنیم و تجربه کلاس درس را زنده کنیم.

در اینجا مفاهیمی که پس از اتمام این دوره بر آن‌ها مسلط می‌شوید آورده شده است:

  • مبانی جبر خطی

  • عملیات روی یک ماتریس واحد

  • عملیات روی دو یا چند ماتریس

  • انجام عملیات سطری ابتدایی

  • یافتن معکوس ماتریس

  • روش حذف گاوسی

  • بردارها و فضاهای برداری

  • زیرفضاهای بنیادی

  • تجزیه ماتریس‌ها

  • دترمینان ماتریس و عملگر اثر (Trace)

  • مفاهیم کلیدی جبر خطی مورد استفاده در یادگیری ماشین و علوم داده

  • تجربه عملی در به‌کارگیری مفاهیم جبر خطی با زبان برنامه‌نویسی پایتون

  • به‌کارگیری جبر خطی در مسائل دنیای واقعی

  • مهارت‌های لازم برای موفقیت در هر آزمون جبر خطی

  • تحلیل مؤلفه‌های اصلی (PCA)

  • رگرسیون خطی

شما همچنین دریافت خواهید کرد:

  • دسترسی مادام‌العمر به این دوره

  • پشتیبانی سریع و دوستانه در بخش پرسش و پاسخ

  • گواهینامه اتمام دوره Udemy قابل دانلود

  • ضمانت بازگشت وجه ۳۰ روزه

این دوره برای چه کسانی است:

  • متخصصان بینایی ماشین که می‌خواهند بدانند مدل‌های پیشرفته بینایی ماشین چگونه با استفاده از یادگیری عمیق ساخته و آموزش داده می‌شوند.

  • هر کسی که می‌خواهد بر مبانی یادگیری عمیق مسلط شود و آن را با استفاده از بهترین روش‌ها در TensorFlow تمرین کند.

  • علاقه‌مندان به یادگیری عمیق که می‌خواهند درک دقیقی از نحوه عملکرد زیرساخت‌های این مدل‌ها داشته باشند.

  • برنامه‌نویسان مبتدی پایتون که در مورد یادگیری عمیق کنجکاو هستند.

لذت ببرید!!!


سرفصل ها و درس ها

خوش‌آمدگویی و معرفی Welcome and Introduction

  • خوش‌آمدگویی Welcome

  • معرفی کلی General Introduction

  • درباره این دوره About this Course

  • اطلاعات مهم Important Information

جبر ماتریسی Matrix Algebra

  • تعریف ماتریس ۱ Matrix Definition 1

  • تعریف ماتریس ۲ Matrix Definition 2

  • جمع ماتریس‌ها Matrix Addition

  • ضرب ماتریس‌ها ۱ Matrix Multiplication 1

  • ضرب ماتریس‌ها ۲ Matrix Multiplication 2

  • ویژگی‌های ماتریس Matrix Properties

  • ترانهاده ماتریس Matrix Transpose

  • معکوس ماتریس - مقدمه Matrix Inverse - Introduction

  • معکوس ماتریس - قوانین پلکانی Matrix Inverse - Echelon Rules

  • معکوس ماتریس - RREF Matrix Inverse - RREF

  • معکوس ماتریس - گاوس Matrix Inverse - GAUSS

  • معکوس ماتریس - محاسبات Matrix Inverse - Computation

  • جلسه عملی Practical Session

سیستم‌های معادلات خطی و تبدیلات Systems of Linear Equations and Transformations

  • بیان مسئله Problem Statement

  • کاربرد معکوس ماتریس Application of Matrix Inverse

  • حذف گاوسی Gaussian Elimination

  • تبدیلات خطی Linear Transformations

  • ماتریس تبدیل Transformation Matrix

  • تبدیلات ماتریسی خاص Special Matrix Transformations

  • جلسه عملی Practical Session

بردارها Vectors

  • تعریف Definition

  • جمع و ضرب بردارها Addition and Multiplication of Vectors

  • ضرب داخلی (Dot Product) Dot Product

  • اندازه بردار و بردارهای واحد Magnitude of a vector and unit vectors

  • فاصله بین دو بردار Distance between two vectors

  • ضرب خارجی (Cross Product) Cross Product

جبر برداری Vector Algebra

  • تعریف Definition

  • زیرفضاها Subspaces

  • ترکیب خطی Linear Combination

  • پوشش (Span) Span

  • زیرفضای تولید شده Generated Subspace

  • استقلال خطی Linear Independence

  • زیرفضاهای بنیادی - فضای پوچی (Null Space) Fundamental Subspaces - Nul Space

  • زیرفضاهای بنیادی - فضای ستونی Fundamental Subspaces - Column Space

  • پایه (Basis) Basis

  • سیستم‌های مختصاتی و تغییر پایه Coordinate Systems and Change of Basis

  • بعد و رتبه Dimension and Rank

  • جلسه عملی Practical Session

فضاهای متری، فضاهای نرم و فضاهای ضرب داخلی Metric SPaces, Norm SPaces and Inner Product SPaces

  • فضاهای متری و نرم شده Metric and Normed Spaces

  • فضاهای ضرب داخلی Inner Product Spaces

تعامد Orthogonality

  • بردارهای متعامد و orthonormal Orthogonal and Orthonormal vectors

  • تصویر متعامد در فضای یک بعدی Orthogonal Projection on 1-D Space

  • تصویر متعامد در فضای N بعدی Orthogonal Projection on N-D Space

  • کمترین فاصله Minimal Distance

  • گرام-اشمیت Gram Schmidt

  • جلسه عملی Practical Session

دترمینان و عملگر اثر Determinant and Trace Operator

  • تعریف Definition

  • ویژگی‌های دترمینان Determinant Properties

  • سیستم معادلات خطی System of Linear Equations

  • معکوس Inverse

  • مساحت‌ها و حجم‌ها Areas and Volumes

  • اثر (Trace) Trace

  • جلسه عملی Practical Session

تجزیه ماتریس Matrix Decomposition

  • تعریف Definition

  • تجزیه مقادیر ویژه Eigen Decomposition

  • قطری‌سازی Diagonalization

  • تجزیه کولسکی Cholesky Decomposition

  • تجزیه مقدار مفرد (SVD) Singular Value Decomposition

  • تقریب رتبه کامل Full rank approximation

  • تقریب رتبه پایین Low Rank Approximation

  • زیرفضاهای بنیادی Fundamental subspaces

  • جلسه عملی Practical Session

ماتریس‌های متقارن و فرم درجه دوم Symmetric matrices and Quadratic form

  • ماتریس‌های متقارن Symmetric matrices

  • فرم‌های درجه دوم Quadratic forms

معکوس ماتریس‌ها Matrix Inverses

  • معکوس چپ و راست Left and Right Inverse

  • شبه معکوس Pseudo Inverse

تمرین رگرسیون خطی Linear Regression Practice

  • پیش‌نیازها Pre-Requiscites

  • کمترین مربعات و معادله نرمال Least Square and Normal Equation

  • رگرسیون خطی Linear Regression

  • پیش‌بینی قیمت خانه در Kaggle Kaggle House Price Prediction

تشخیص چهره با استفاده از PCA و Eigen Faces Face Recognition using PCA - Eigen Faces

  • پیش‌نیازها و منطق Pre-Requiscites and Rationale

  • تئوری تحلیل مؤلفه‌های اصلی (PCA) Principal Component Analysis Theory

  • چهره‌های ویژه (Eigen Faces) Eigen Faces

ضمیمه (نصب و معرفی پایتون) Appendix (Python Installation and Introduction)

  • نصب پایتون Python Installation

  • معرفی پایتون Python Introduction

  • دستورات شرطی Conditional Statements

  • حلقه‌ها Loops

  • متدها Methods

نمایش نظرات

جبر خطی از مبتدی تا پیشرفته همراه با تمرینات پایتون
جزییات دوره
19.5 hours
82
(آخرین آپدیت)
7,698
4.5 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

Neuralearn Dot AI Neuralearn Dot AI

کمک به میلیون ها یادگیرنده، بر یادگیری عمیق مسلط شوید.