کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش علم داده و یادگیری ماشین: بیز ساده در پایتون

Data Science & Machine Learning: Naive Bayes in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: به یک الگوریتم هوش مصنوعی حیاتی تسلط داشته باشید و مهارت های برنامه نویسی پایتون خود را افزایش دهید. استفاده از Naive Bayes در طبقه بندی تصاویر (Computer Vision) اعمال Naive Bayes در طبقه بندی متن (NLP) اعمال Naive Bayes برای پیش بینی بیماری، ژنومیک و تجزیه و تحلیل مالی درک مفاهیم و الگوریتم ساده بیز چندین مدل Naive Bayes از ابتدا پیش نیازها: مهارت های برنامه نویسی پایتون مناسب تجربه با Numpy، Matplotlib و Pandas (ما از اینها استفاده خواهیم کرد) برای بخش های پیشرفته: احتمال را بدانید

در این دوره آموزشی خود گام، یاد خواهید گرفت که چگونه Naive Bayes را در بسیاری از مجموعه داده های دنیای واقعی در زمینه های مختلف، مانند:

اعمال کنید.

  • بینایی کامپیوتر

  • پردازش زبان طبیعی

  • تحلیل مالی

  • مراقبت های بهداشتی

  • ژنومیک

چرا باید این دوره را بگذرانید؟ Naive Bayes یکی از الگوریتم های اساسی در یادگیری ماشین، علم داده و هوش مصنوعی است. هیچ تمرین‌کننده‌ای بدون تسلط بر آن کامل نیست.

این دوره به گونه ای طراحی شده است که برای تمام سطوح دانش آموزان، چه مبتدی، چه متوسط ​​یا پیشرفته، مناسب باشد. شما هم شهود نحوه کار Naive Bayes و هم نحوه به کارگیری موثر آن را در حین محاسبه ویژگی های منحصر به فرد الگوریتم Naive Bayes خواهید آموخت. در مورد زمان و چرایی استفاده از نسخه های مختلف Naive Bayes موجود در Scikit-Learn، از جمله GaussianNB، BernoulliNB، و MultinomialNB، خواهید آموخت.

در بخش پیشرفته دوره، با نحوه عملکرد Naive Bayes واقعاً در زیر کاپوت آشنا خواهید شد. همچنین یاد خواهید گرفت که چگونه چندین گونه از Naive Bayes را از ابتدا پیاده سازی کنید، از جمله Gaussian Naive Bayes، Bernoulli Naive Bayes و Multinomial Naive Bayes. بخش پیشرفته نیاز به دانش احتمال دارد، بنابراین آماده باشید!

از اینکه خواندید متشکرم و امیدوارم به زودی شما را ببینم!


پیش نیازهای پیشنهادی:

  • مهارت برنامه نویسی مناسب پایتون

  • با کتابخانه های علوم داده مانند Numpy و Matplotlib راحت است

  • برای بخش پیشرفته، دانش احتمال مورد نیاز است


به چه ترتیبی باید در دوره های شما شرکت کنم؟

  • سخنرانی "نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی" (در سوالات متداول هر یک از دوره های من، از جمله دوره رایگان من موجود است) را بررسی کنید.


ویژگی های منحصر به فرد

  • هر خط کد با جزئیات توضیح داده شده است - در صورت مخالفت هر زمان که خواستید به من ایمیل بزنید

  • زمان پاسخگویی به طور متوسط ​​کمتر از 24 ساعت در QA

  • از ریاضیات در سطح دانشگاه نمی ترسید - جزئیات مهمی را در مورد الگوریتم هایی که سایر دوره ها کنار گذاشته اند دریافت کنید

سرفصل ها و درس ها

خوش آمدی Welcome

  • مقدمه و طرح کلی Introduction and Outline

  • کد را از کجا دریافت کنیم Where to get the Code

  • آیا شما مبتدی، متوسط ​​یا پیشرفته هستید؟ همه اوکی هستند! Are You Beginner, Intermediate, or Advanced? All are OK!

  • چگونه در این دوره موفق شویم How to Succeed in this Course

مفاهیم ساده لوح بیز (مبتدی) Naive Bayes Concepts (Beginner)

  • مقدمه بخش مفاهیم Concepts Section Introduction

  • بررسی طبقه بندی Classification Review

  • بررسی قانون بیز Bayes' Rule Review

  • شهود ساده بیز Naive Bayes Intuition

  • خلاصه بخش مفاهیم Concepts Section Summary

  • صندوق پیشنهادات Suggestion Box

برنامه های ساده بیز (مبتدی-متوسط) Naive Bayes Applications (Beginner-Intermediate)

  • مقدمه بخش برنامه ها Applications Section Introduction

  • استراتژی و رویکرد Strategy and Approach

  • پیش بینی بیماری با Naive Bayes Disease Prediction with Naive Bayes

  • پیش بینی بیماری با بیز ساده در پایتون (نقطه 1) Disease Prediction with Naive Bayes in Python (pt 1)

  • پیش بینی بیماری با بیز ساده در پایتون (نقطه 2) Disease Prediction with Naive Bayes in Python (pt 2)

  • امور مالی با Naive Bayes Finance with Naive Bayes

  • امور مالی با Naive Bayes در پایتون (pt 1) Finance with Naive Bayes in Python (pt 1)

  • امور مالی با Naive Bayes در Python (pt 2) Finance with Naive Bayes in Python (pt 2)

  • ژنومیک با Naive Bayes Genomics with Naive Bayes

  • ژنومیک با Naive Bayes در پایتون Genomics with Naive Bayes in Python

  • طبقه بندی تصاویر با ساده لوح بیز Image Classification with Naive Bayes

  • طبقه بندی تصاویر با ساده بیس در پایتون Image Classification with Naive Bayes in Python

  • طبقه بندی متن با ساده لوح بیز (نقطه 1) Text Classification with Naive Bayes (pt 1)

  • طبقه‌بندی متن با ساده‌لوح بیز (نقطه 2) Text Classification with Naive Bayes (pt 2)

  • طبقه بندی متن با ساده بیز در پایتون Text Classification with Naive Bayes in Python

  • خلاصه بخش برنامه ها Applications Section Summary

  • تمرین کاربردی Application Exercise

Naive Bayes In-Depth (پیشرفته) Naive Bayes In-Depth (Advanced)

  • نظریه گاوسی ساده لوح بیز Gaussian Naive Bayes Theory

  • بیز ساده لوح گاوسی در پایتون Gaussian Naive Bayes in Python

  • نظریه ساده بیس برنولی Bernoulli Naive Bayes Theory

  • نظریه چند جمله ای ساده بیز Multinomial Naive Bayes Theory

  • تمرینات: قدرت خود را بیازمایید! Exercises: Test Your Might!

تنظیم محیط خود (ضمیمه/سوالات متداول بر اساس درخواست دانشجو) Setting Up Your Environment (Appendix/FAQ by Student Request)

  • بررسی قبل از نصب Pre-Installation Check

  • تنظیم محیط آناکوندا Anaconda Environment Setup

  • نحوه نصب Numpy، Scipy، Matplotlib، Pandas، TensorFlow، + بیشتر How to install Numpy, Scipy, Matplotlib, Pandas, TensorFlow, +More

کمک اضافی برای برنامه نویسی پایتون برای مبتدیان (پیوست/سؤالات متداول بر اساس درخواست دانشجو) Extra Help With Python Coding for Beginners (Appendix/FAQ by Student Request)

  • نحوه کدنویسی توسط خودتان (قسمت 1) How to Code by Yourself (part 1)

  • نحوه کدنویسی توسط خودتان (قسمت 2) How to Code by Yourself (part 2)

  • اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است Proof that using Jupyter Notebook is the same as not using it

  • خطاهای موقت 403 Temporary 403 Errors

استراتژی‌های یادگیری مؤثر برای یادگیری ماشینی (پیوست/سؤالات متداول توسط دانشجو Effective Learning Strategies for Machine Learning (Appendix/FAQ by Student Requ

  • چگونه در این دوره موفق شویم (نسخه طولانی) How to Succeed in this Course (Long Version)

  • این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1) Machine Learning and AI Prerequisite Roadmap (pt 1)

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2) Machine Learning and AI Prerequisite Roadmap (pt 2)

ضمیمه/سوالات متداول نهایی Appendix / FAQ Finale

  • آپاندیس چیست؟ What is the Appendix?

  • جایزه BONUS

آموزش نقاشی انتزاعی

آموزش نقاشی انتزاعی

Abstract painting

آموزش آبرنگ دختران رنگی

آموزش آبرنگ دختران رنگی

Watercolor Girls Of Color

آموزش پروژه Spline: ساخت یک شخصیت سه بعدی با Spline در 15 دقیقه

آموزش پروژه Spline: ساخت یک شخصیت سه بعدی با Spline در 15 دقیقه

Spline Project: Making a 3D Character with Spline in 15 minutes

نمایش نظرات

آموزش علم داده و یادگیری ماشین: بیز ساده در پایتون
جزییات دوره
7.5 hours
45
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
4,064
4.7 از 5
ندارد
دارد
دارد

https://donyad.com/d/c6bacb

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lazy Programmer Inc. Lazy Programmer Inc.

امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام. من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم. این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.

Lazy Programmer Team Lazy Programmer Team

مهندس هوش مصنوعی و آموزش ماشین من فوق لیسانس خود را در رشته مهندسی کامپیوتر با تخصص یادگیری ماشین و تشخیص الگو دریافت کردم. تجربه شامل تبلیغات آنلاین و رسانه های دیجیتال به عنوان یک دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس کلان داده (ساخت خطوط پردازش داده). برخی از فناوری های داده بزرگ که من اغلب استفاده می کنم Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدلهای یادگیری عمیقی برای پیش بینی نرخ کلیک و رفتار کاربر و همچنین پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های توصیه از یادگیری تقویتی و فیلترینگ مشارکتی استفاده کرده است و ما نتایج را با استفاده از آزمایش A/B معتبر کرده ایم.

دنیاد