آموزش جبر خطی محاسباتی با پایتون و NumPy

Computational Linear Algebra with Python & NumPy

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: محاسبات جبر خطی با استفاده از NumPy SciPy، عملیات ماتریس، تجزیه خطی، تجزیه و تحلیل مؤلفه های اصلی اصول اساسی جبر خطی را بیاموزید، مانند آشنایی با کاربردهای دنیای واقعی و مفاهیم کلیدی مهم با تفاوت بین اسکالر، بردار، ماتریس و تانسور آشنا شوید. آموزش جمع و تفریق ماتریس با استفاده از Numpy آموزش ضرب ماتریس با استفاده از Numpy آموزش معکوس و جابجایی ماتریس با استفاده از Numpy آموزش محاسبه ماتریس تعیین کننده با استفاده از Numpy آموزش محاسبه هنجار، ردیابی و رتبه ماتریس با استفاده از Numpy آموزش نحوه حل سیستم معادله خطی با استفاده از Numpy یاد بگیرید چگونه مقادیر ویژه و بردارهای ویژه را با استفاده از Numpy محاسبه کنید درباره LU، QR و تجزیه Cholesky بیاموزید چگونه تانسور ایجاد، برش و تغییر شکل دهید با استفاده از Numpy آموزش ساخت موتور توصیه فیلم با استفاده از تجزیه خطی آموزش ساخت کمپرسور تصویر با استفاده از تجزیه ارزش منفرد آموزش پیش بینی بازار املاک و مستغلات با استفاده از رگرسیون خطی آموزش انجام متن کاوی با استفاده از فاکتورسازی ماتریس غیر منفی آموزش کاهش ابعاد با استفاده از تجزیه و تحلیل مولفه های اصلی پیش نیازها: عدم نیاز به تجربه قبلی در جبر خطی دانش پایه در Python و Numpy

به دوره جبر خطی محاسباتی با Python Numpy خوش آمدید. این یک آموزش جامع جبر خطی برای دانشمندان داده و مهندسین یادگیری ماشین است، این دوره مفاهیم اساسی، پیاده سازی های عملی و برنامه های کاربردی دنیای واقعی را برای افزایش درک و تخصص شما در این زمینه پوشش می دهد. این دوره ترکیبی عالی بین جبر خطی و پایتون است و آن را به فرصتی ایده‌آل برای کسانی تبدیل می‌کند که به دنبال تمرین مهارت‌های برنامه‌نویسی و در عین حال بهبود دانش ریاضی خود هستند. در جلسه مقدمه، اصول اولیه جبر خطی مانند آشنایی با موارد کاربرد و مفاهیم کلیدی آن را خواهید آموخت. سپس، در بخش بعدی، اولین درس را شروع می کنیم که در آن با مفاهیم اولیه مانند اسکالر، بردار و ماتریس ها بیشتر آشنا می شوید. علاوه بر این، شما همچنین در مورد عملیات ماتریسی مانند جمع، تفریق، ضرب ماتریس دو در دو و ضرب ماتریس سه در سه یاد خواهید گرفت. پس از آن، در درس دوم، نحوه انجام معکوس و جابجایی روی ماتریس ها به صورت دستی را یاد خواهید گرفت، سپس نحوه استفاده از Numpy را برای انجام محاسبات نیز یاد خواهید گرفت. در درس سوم، نحوه محاسبه دترمینال های ماتریس دو در دو و ماتریس سه در سه را به صورت دستی و با استفاده از Numpy یاد خواهید گرفت. سپس در درس چهارم نحوه حل معادلات خطی پیچیده را یاد می گیرید و برای اطمینان از درک مفاهیم، ​​مسائل تمرینی زیادی را امتحان می کنیم. در ضمن در درس پنجم نحوه محاسبه مقادیر ویژه و بردارهای ویژه را هم به صورت دستی و هم با استفاده از Numpy یاد خواهید گرفت. سپس، در درس ششم، با تجزیه خطی به ویژه تجزیه LU، QR و Cholesky آشنا خواهید شد. ابتدا محاسبه را به صورت دستی انجام می دهیم، سپس پس از درک مفاهیم اولیه، سپس از Numpy برای محاسبات استفاده می کنیم. پس از آن در درس هفتم یاد می گیرید که چگونه با استفاده از Numpy یک تانسور با اندازه خاص بسازید و حتی هیجان انگیزتر، با تانسورها بازی می کنیم و نحوه دسترسی به مقدار تانسور را با استفاده از تکنیک های برش و نمایه سازی یاد می گیریم. سپس، در درس هشتم، نحوه محاسبه تجزیه مقادیر مفرد را هم به صورت دستی و هم با استفاده از Numpy یاد خواهید گرفت. پس از اتمام درس‌های جبر خطی، مطمئن خواهیم شد که شما این فرصت را دارید که تمام مفاهیمی را که آموخته‌اید در پروژه‌های دنیای واقعی پیاده‌سازی کنید. در مجموع پنج پروژه وجود دارد که در پروژه اول با استفاده از تجزیه خطی موتور توصیه می‌سازید، در پروژه دوم با استفاده از تجزیه ارزش منفرد کمپرسور تصویر می‌سازید، در پروژه سوم با استفاده از بازار املاک و مستغلات را پیش‌بینی می‌کنید. رگرسیون خطی، در پروژه چهارم، متن کاوی را با استفاده از فاکتورسازی ماتریس غیر منفی انجام می دهید و در پروژه آخر، کاهش ابعاد را با استفاده از تحلیل مؤلفه اصلی انجام می دهید.

اول از همه، قبل از ورود به دوره، باید این سوال را از خود بپرسیم، چرا باید جبر خطی محاسباتی را یاد بگیریم؟ خب جواب من اینجاست جبر خطی به عنوان پایه و اساس بسیاری از مفاهیم و تکنیک های پیشرفته ریاضی مورد استفاده در یادگیری ماشین، علم داده و مهندسی عمل می کند. در یادگیری ماشینی، جبر خطی برای درک و پیاده سازی الگوریتم هایی مانند رگرسیون خطی، ماشین های بردار پشتیبان و شبکه های عصبی ضروری است. در علم داده، جبر خطی ما را قادر می سازد تا مجموعه داده های بزرگ را به طور موثر تجزیه و تحلیل کنیم، کاهش ابعاد را انجام دهیم و مسائل بهینه سازی را حل کنیم. در مهندسی، جبر خطی نقش مهمی در مدل‌سازی سیستم‌های فیزیکی، طراحی سیستم‌های کنترل و حل معادلات دیفرانسیل دارد.

در زیر مواردی وجود دارد که می‌توانید از این دوره یاد بگیرید:

  • مبانی اساسی جبر خطی، مانند آشنایی با کاربردهای دنیای واقعی و مفاهیم کلیدی مهم را بیاموزید

  • با تفاوت بین اسکالر، برداری، ماتریس و تانسور آشنا شوید

  • با نحوه افزودن و تفریق ماتریس با استفاده از Numpy آشنا شوید

  • با نحوه ضرب ماتریس با استفاده از Numpy آشنا شوید

  • با نحوه معکوس کردن و جابجایی ماتریس با استفاده از Numpy آشنا شوید

  • با نحوه محاسبه تعیین کننده ماتریس با استفاده از Numpy آشنا شوید

  • با نحوه محاسبه هنجار، ردیابی و رتبه ماتریس با استفاده از Numpy آشنا شوید

  • با نحوه حل سیستم معادله خطی با استفاده از Numpy آشنا شوید

  • با نحوه محاسبه مقادیر ویژه و بردارهای ویژه با استفاده از Numpy آشنا شوید

  • درباره تجزیه LU، QR و Cholesky بیاموزید

  • با نحوه ایجاد، برش، و تغییر شکل تانسور با استفاده از Numpy آشنا شوید

  • با نحوه ساخت موتور توصیه فیلم با استفاده از تجزیه خطی آشنا شوید

  • با نحوه ساخت کمپرسور تصویر با استفاده از تجزیه مقادیر تکی آشنا شوید

  • با نحوه پیش بینی بازار املاک و مستغلات با استفاده از رگرسیون خطی آشنا شوید

  • نحوه انجام متن کاوی با استفاده از فاکتورسازی ماتریس غیر منفی را بیاموزید

  • با نحوه انجام کاهش ابعاد با استفاده از تجزیه و تحلیل مولفه اصلی آشنا شوید


سرفصل ها و درس ها

معرفی Introduction

  • مقدمه دوره Introduction to the Course

  • فهرست مطالب Table of Contents

  • این دوره برای چه کسانی در نظر گرفته شده است؟ Whom This Course is Intended for?

ابزار و منابع Tools & Resources

  • ابزار و منابع Tools & Resources

مقدمه ای بر جبر خطی Introduction to Linear Algebra

  • مقدمه ای بر جبر خطی Introduction to Linear Algebra

اسکالر، بردار، ماتریس و تانسور Scalar, Vector, Matrix, and Tensor

  • اسکالر، بردار، ماتریس و تانسور Scalar, Vector, Matrix, and Tensor

ماتریس جمع و تفریق با Numpy Matrix Addition & Subtraction with Numpy

  • ماتریس جمع و تفریق با Numpy Matrix Addition & Subtraction with Numpy

ضرب ماتریسی با Numpy Matrix Multiplications with Numpy

  • ضرب ماتریسی با Numpy Matrix Multiplications with Numpy

ماتریس معکوس و انتقال با Numpy Matrix Inverse & Transpose with Numpy

  • ماتریس معکوس و انتقال با Numpy Matrix Inverse & Transpose with Numpy

محاسبه ماتریس دترمینانت با Numpy Calculating Matrix Determinant with Numpy

  • محاسبه ماتریس دترمینانت با Numpy Calculating Matrix Determinant with Numpy

محاسبه هنجار، ردیابی و رتبه ماتریس با Numpy Calculating Matrix Norm, Trace, and Rank with Numpy

  • محاسبه هنجار، ردیابی و رتبه ماتریس با Numpy Calculating Matrix Norm, Trace, and Rank with Numpy

حل سیستم معادله خطی با استفاده از Numpy Solving System of Linear Equation Using Numpy

  • حل سیستم معادله خطی با استفاده از Numpy Solving System of Linear Equation Using Numpy

محاسبه مقادیر ویژه و بردارهای ویژه با Numpy Calculating Eigenvalues & Eigenvectors with Numpy

  • محاسبه مقادیر ویژه و بردارهای ویژه با Numpy Calculating Eigenvalues & Eigenvectors with Numpy

تجزیه LU، QR و Cholesky LU, QR, and Cholesky Decomposition

  • تجزیه LU، QR و Cholesky LU, QR, and Cholesky Decomposition

ایجاد تانسور با Numpy Creating Tensor with Numpy

  • ایجاد تانسور با Numpy Creating Tensor with Numpy

ساخت موتور توصیه فیلم با استفاده از تجزیه خطی Building Movie Recommendation Engine Using Linear Decomposition

  • ساخت موتور توصیه فیلم با استفاده از تجزیه خطی Building Movie Recommendation Engine Using Linear Decomposition

فشرده سازی تصویر با استفاده از تجزیه ارزش واحد Compressing Image Using Singular Value Decomposition

  • فشرده سازی تصویر با استفاده از تجزیه ارزش واحد Compressing Image Using Singular Value Decomposition

پیش بینی بازار املاک و مستغلات با استفاده از رگرسیون خطی Predicting Real Estate Market Using Linear Regression

  • پیش بینی بازار املاک و مستغلات با استفاده از رگرسیون خطی Predicting Real Estate Market Using Linear Regression

متن کاوی با استفاده از فاکتورسازی ماتریس غیر منفی Text Mining Using Non Negative Matrix Factorization

  • متن کاوی با استفاده از فاکتورسازی ماتریس غیر منفی Text Mining Using Non Negative Matrix Factorization

انجام کاهش ابعاد با استفاده از تجزیه و تحلیل مؤلفه های اصلی Performing Dimensionality Reduction Using Principle Component Analysis

  • انجام کاهش ابعاد با استفاده از تجزیه و تحلیل مؤلفه های اصلی Performing Dimensionality Reduction Using Principle Component Analysis

نتیجه گیری و خلاصه Conclusion & Summary

  • نتیجه گیری و خلاصه Conclusion & Summary

نمایش نظرات

آموزش جبر خطی محاسباتی با پایتون و NumPy
جزییات دوره
3.5 hours
21
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
3,000
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

Christ Raharja Christ Raharja

مشاور سابق ریسک فناوری و علاقه‌مند به تجارت الکترونیک