آموزش یادگیری ماشین پیشرفته با R: پیاده‌سازی و پیش‌بینی - آخرین آپدیت

دانلود Advanced Machine Learning with R: Apply & Predict

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در پایان این دوره، فراگیران قادر خواهند بود الگوریتم‌های خوشه‌بندی را به کار بگیرند، طبقه‌بندی‌کننده‌های Naive Bayes را پیاده‌سازی کنند، متن‌ها را با مدل‌های یادگیری نظارت‌شده تحلیل نمایند، ابعاد داده‌ها را با PCA کاهش دهند و شبکه‌های عصبی بنیادی را طراحی کنند. همچنین آن‌ها الگوهای سری زمانی را ارزیابی کرده، با استفاده از ARIMA و Prophet پیش‌بینی انجام دهند، عملکرد پیش‌بینی را با Gradient Boosting بهینه کنند و از طریق تحلیل سبد خرید (Market Basket Analysis)، ارتباطات بین داده‌ها را کشف نمایند. این دوره فراگیران را با تکنیک‌های پیشرفته یادگیری ماشین با استفاده از زبان R آشنا کرده و دانش تئوری را با پیاده‌سازی عملی ترکیب می‌کند. برخلاف دوره‌های سنتی، این برنامه آموزشی به صورت ساختاریافته، خوشه‌بندی، مدل‌های نظارت‌شده، کاهش ابعاد، شبکه‌های عصبی و پیش‌بینی‌های پیشرفته را در یک مجموعه واحد ادغام کرده است. شرکت‌کنندگان از طریق مثال‌های کدنویسی کاربردی و مطالعات موردی واقعی، توانایی خود را در پیش‌پردازش داده‌ها، انتخاب الگوریتم‌های مناسب و تفسیر موثر نتایج تقویت خواهند کرد. آنچه این دوره را منحصر‌به‌فرد می‌کند، تعادل میان مبانی آماری کلاسیک و کاربردهای مدرن یادگیری ماشین است که به فراگیران اجازه می‌دهد از تحلیل‌های اکتشافی به سمت ساخت مدل‌های آماده برای محیط عملیاتی (Production-ready) حرکت کنند. متخصصان، تحلیلگران داده و علاقه‌مندان به علوم داده از تسلط بر این تکنیک‌های پیشرفته که دقت و تفسیرپذیری در مدل‌سازی پیش‌بینی را افزایش می‌دهد، بهره‌مند خواهند شد.

سرفصل ها و درس ها

خوشه‌بندی و مدل‌های بیزی Clustering and Bayesian Models

  • مقدمه‌ای بر خوشه‌بندی K-means Introduction to Kmeans Clustering

  • نقطه آرنج (Elbow Point) و مجموعه داده K-means Kmeans Elbow Point and Dataset

  • مثالی از مجموعه داده K-means Example of Kmeans Dataset

  • رسم نمودار برای خوشه‌بندی K-means Creating a Graph for Kmeans Clustering

  • ادامه رسم نمودار برای خوشه‌بندی K-means Creating a Graph for Kmeans Clustering Continues

  • تابع تجمیع در خوشه‌بندی Aggregation Function of Clustering

  • احتمال شرطی با الگوریتم بیز Conditional Probability with Bayes Algorithm

  • نمودار ون در طبقه‌بندی Naive Bayes Venn Diagram Naive Bayes Classification

  • اجزای قضیه بیز با استفاده از جدول فراوانی Component OF Bayes Theorem using Frequency Table

  • الگوریتم طبقه‌بندی Naive Bayes و تخمین‌گر لاپلاس Naive Bayes Classification Algorithm and Laplace Estimator

  • مثالی از طبقه‌بندی Naive Bayes Example of Naive Bayes Classification

  • ادامه مثالی از طبقه‌بندی Naive Bayes Example of Naive Bayes Classification Continues

یادگیری نظارت‌شده پیشرفته Advanced Supervised Learning

  • پیام‌های اسپم و معمولی در ابر کلمات (Word Cloud) Spam and Ham Messages in Word Cloud

  • پیاده‌سازی دیکشنری و ماتریس اصطلاحات سند (DTM) Implementation of Dictionary and Document Term Matrix

  • اجرای تابع Naive Bayes Executes the Function Naive Bayes

  • ماشین بردار پشتیبان (SVM) با روش جعبه سیاه Support Vector Machine with Black Box Method

  • ماشین بردار پشتیبان خطی و غیرخطی Linearly and Non- Linearly Support Vector Machine

  • ترفند کرنل (Kernel Trick) Kernal Trick

  • کرنل Gaussian RBF و تشخیص نویسه (OCR) با SVM Gaussian RBF Kernal and OCR with SVMs

  • مثال‌هایی از کرنل Gaussian RBF و OCR با SVM Examples of Gaussian RBF Kernal and OCR with SVMs

  • خلاصه ماشین بردار پشتیبان (SVM) Summary of Support Vector Machine

کاهش ابعاد و شبکه‌های عصبی Dimensionality Reduction and Neural Networks

  • تکنیک کاهش ابعاد: انتخاب ویژگی (Feature Selection) Feature Selection Dimension Reduction Technique

  • تکنیک کاهش ابعاد: استخراج ویژگی (Feature Extraction) Feature Extraction Dimension Reduction Technique

  • مثالی از تکنیک کاهش ابعاد Dimension Reduction Technique Example

  • ادامه مثالی از تکنیک کاهش ابعاد Dimension Reduction Technique Example Continues

  • مقدمه‌ای بر تحلیل مؤلفه‌های اصلی (PCA) Introduction Principal Component Analysis

  • مراحل PCA Steps of PCA

  • ادامه مراحل PCA Steps of PCA Continues

  • مقادیر ویژه (Eigen Values) Eigen Values

  • بردارهای ویژه (Eigen Vectors) Eigen Vectors

  • تحلیل مؤلفه‌های اصلی با استفاده از PrComp Principal Component Analysis using Pr-Comp

  • ادامه تحلیل مؤلفه‌های اصلی با PrComp Principal Component Analysis using Pr-Comp Continues

  • نوع C Bind در PCA C Bind Type in PCA

  • مدل نوع R R Type Model

  • روش جعبه سیاه در شبکه عصبی Black Box Method in Neural Network

  • ویژگی‌های شبکه‌های عصبی Characteristics of a Neural Networks

  • توپولوژی شبکه در شبکه‌های عصبی Network Topology of a Neural Networks

  • تنظیم وزن‌ها و به‌روزرسانی مورد Weight Adjustment and Case Update

کاربردهای پیشرفته در یادگیری ماشین Advanced Applications in ML

  • مقدمه‌ای بر مدل‌سازی در R Introduction Model Building in R

  • نصب پکیج‌های مدل‌سازی در R Installing the Package of Model Building in R

  • گره‌ها در مدل‌سازی R Nodes in Model Building in R

  • مثالی از مدل‌سازی در R Example of Model Building in R

  • تحلیل سری‌های زمانی Time Series Analysis

  • الگوها در داده‌های سری زمانی Pattern in Time Series Data

  • مدل‌سازی سری‌های زمانی Time Series Modelling

  • مدل میانگین متحرک (Moving Average) Moving Average Model

  • تابع خودهمبستگی (ACF) Auto Correlation Function

  • استنتاج ACF و PACF Inference of ACF and PFCF

  • بررسی تشخیص (Diagnostic Checking) Diagnostic Checking

  • پیش‌بینی با استفاده از قیمت سهام Forecasting Using Stock Price

  • شاخص قیمت سهام Stock Price Index

  • ادامه شاخص قیمت سهام Stock Price Index Continues

  • استفاده از Prophet برای سهام Prophet Stock

  • اجرای مدل Prophet برای سهام Run Prophet Stock

  • فصل‌زدایی داده‌های سری زمانی (Denationalization) Time Series Data Denationalization

  • ادامه فصل‌زدایی داده‌های سری زمانی Time Series Data Denationalization Continues

  • میانگین فصل‌زدایی ربع‌ساله Average of Quarter Denationalization

  • رگرسیون فصل‌زدایی Regression of Denationalization

  • ماشین‌های تقویت گرادینت (Gradient Boosting Machines) Gradient Boosting Machines

  • خطاها در Gradient Boosting Machines Errors in Gradient Boosting Machines

  • نرخ خطا در Gradient Boosting Machines چیست؟ What is Error Rate in Gradient Boosting Machines

  • بهینه‌سازی Gradient Boosting Machines Optimization Gradient Boosting Machines

  • درخت‌های تقویت گرادینت (GBT) Gradient Boosting Trees (GBT)

  • تقویت مجموعه داده در گرادینت Dataset Boosting in Gradient

  • مثالی از تقویت مجموعه داده در گرادینت Example of Dataset Boosting in Gradient

  • ادامه مثالی از تقویت مجموعه داده در گرادینت Example of Dataset Boosting in Gradient Continues

  • قوانین انجمنی در تحلیل سبد خرید Market Basket Analysis Association Rules

  • ادامه قوانین انجمنی در تحلیل سبد خرید Market Basket Analysis Association Rules Continues

  • تفسیر تحلیل سبد خرید Market Basket Analysis Interpretation

  • پیاده‌سازی تحلیل سبد خرید Implementation of Market Basket Analysis

  • مثالی از تحلیل سبد خرید Example of Market Basket Analysis

  • داده‌کاوی در تحلیل سبد خرید Datamining in Market Basket Analysis

  • تحلیل سبد خرید با استفاده از Rstudio Market Basket Analysis Using Rstudio

  • ادامه تحلیل سبد خرید با Rstudio Market Basket Analysis Using Rstudio Continues

  • مطالعات بیشتر Rstudio در تحلیل بازار More on Rstudio in Market Analysis

  • پیشرفت‌های جدید در یادگیری ماشین New Development in Machine Learning

  • نقش دانشمند داده در یادگیری ماشین Data Scientist in Machine Learnirng

  • انواع تشخیص (Detection) در یادگیری ماشین Types of Detection in Machine Learning

  • مثالی از پیشرفت‌های جدید در یادگیری ماشین Example of New Development in Machine Learning

  • ادامه مثالی از پیشرفت‌های جدید در یادگیری ماشین Example of New Development in Machine Learning Continues

نمایش نظرات

آموزش یادگیری ماشین پیشرفته با R: پیاده‌سازی و پیش‌بینی
جزییات دوره
17h 40m
80
(آخرین آپدیت)
114
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده