آموزش 2023 یادگیری ماشین | یادگیری عمیق | EDA | Vertex AI

2023 Machine Learning | Deep Learning | EDA | Vertex AI

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: 10 ساعت محتوای پایه و پیشرفته | یک دوره ای که برای تسلط بر مفاهیم یادگیری ماشینی یادگیری ماشین نیاز دارید نحوه کدنویسی و دسترسی به داده های ذخیره شده در محیط ابری رگرسیون خطی ساده و چندگانه لجستیک رگرسیون تصمیم درختی الگوریتم های جنگل تصادفی XG تقویت بدون نظارت - Centroid (بر اساس kNN) و سلسله مراتبی نحوه انجام یک پروژه ML برنامه نویسی پایتون تجزیه و تحلیل داده های اکتشافی (EDA) پیش نیازها:هیچ. (پایتون به طور گسترده در این دوره پوشش داده شده است)

این یک دوره آموزشی جامع در مورد یادگیری ماشین است - اکنون با AutoML گسترش یافته است. ویژگی‌های Vertex AI مرتبط با اتوماسیون یادگیری ماشین اخیراً اضافه شده است.

به روز رسانی های اخیر

  • دسامبر 2022: محتوای یادگیری عمیق به روز شده است.

  • جولای 2022: صنعت هوش مصنوعی ML به طور مداوم در حال تحول است و یک روند اخیر بلوغ رویکردهای AutoML است. AutoML اتوماسیون یادگیری ماشین (استقرار مدل های ML بدون نوشتن هیچ کدی) است. به عنوان متخصص، علاوه بر استفاده از مدل‌های ML با استفاده از برنامه‌نویسی، باید با این موضوع آشنا باشید. ما از Google Vertex برای AutoML استفاده خواهیم کرد.

  • ژوئن 2022: یک کتاب الکترونیکی 90 صفحه ای در مورد "برنامه نویسی پایتون" به این دوره اضافه شده است. کتاب الکترونیکی در نسخه pdf را می توان (بدون هزینه اضافی) از سخنرانی ویدیویی "شروع به کار با پایتون" دانلود کرد.

  • می 2022: نمودارهای پراکندگی شرطی پس از سخنرانی رگرسیون خطی ساده اضافه شدند. این افزودنی بسیار مفید برای رگرسیون است.

  • فوریه 2022: در اواخر، کتابخانه های EDA (Klib Sweetviz) همه انواع مختلف وظایفی را که تحت EDA انجام می شوند با چند خط کد انجام می دهند.

---------------------------------------------- ------------------------------------------------ ---------------------

شرح دوره

یادگیری ماشین زیرمجموعه ای از هوش مصنوعی است که در خط مقدم دیجیتال قرار دارد. تحول در جهان به لطف یادگیری ماشینی، اکنون می‌توان بیماری‌ها را شناسایی کرد، ناتوانان یک وام را شناخت و از فروش آتی یک محصول مطلع شد. همه این اطلاعات را می توان به صورت پیشگیرانه و نه به عنوان یک سناریوی پس از واقعیت در اختیار داشت. یادگیری ماشین و نقش‌های مبتنی بر هوش مصنوعی در بازار کار تقاضای زیادی دارند و چنین نقش‌هایی نسبت به نقش‌های برنامه‌نویسی سنتی دستمزد بالاتری ارائه می‌دهند.

این دوره، مفاهیم یادگیری ماشین و همچنین کاربرد این مفاهیم را با استفاده از مطالعات موردی و مثال‌ها، همراه با مروری بر کدهای پایتون پوشش می‌دهد. برنامه نویسی پایتون نیز به نفع کسانی است که به تازگی با پایتون آشنا شده اند و کسانی که می خواهند برخی از موضوعات را در پایتون به روز کنند.

الگوریتم های زیر به تفصیل پوشش داده شده اند:

  • رگرسیون خطی ساده و چندگانه

  • رگرسیون لجستیک

  • درخت تصمیم، جنگل تصادفی و تقویت XG

  • الگوریتم‌های بدون نظارت - خوشه‌ای (بر اساس kNN) و سلسله مراتبی.

یادگیرندگان همچنین می‌دانند که چگونه یادگیری ماشینی فوق را در یک محیط ابری توسعه دهند. آنها نه تنها کدنویسی در فضای ابری را یاد خواهند گرفت، بلکه به داده های ذخیره شده در ابر نیز دسترسی خواهند داشت. این امر به ویژه برای فراگیران مفید خواهد بود زیرا بسیاری از سازمان‌ها با سرعتی سریع از ابر استفاده می‌کنند.

یک جنبه کلیدی این دوره، پوشش تجزیه و تحلیل داده‌های اکتشافی (EDA) است. EDA مجموعه فعالیت هایی را که قبل از شروع پروژه ML انجام می دهید، پوشش می دهد.

در نهایت، نحوه پیگیری پروژه یادگیری ماشین پوشش داده شده است.

این دوره توسط یک پیشکسوت صنعت تدریس می‌شود که تجربیات گسترده و دیدگاه‌های عملی خود را در برنامه آورده است.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

معرفی Introduction

  • معرفی Introduction

بنیاد The Foundation

  • هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف Strong AI Vs Weak AI

  • چهار نوع تجزیه و تحلیل داده ها Four Types of Data Analytics

  • آنچه اندازه گیری می شود بهبود می یابد What Gets Measured Gets Improved

  • انواع الگوریتم ها Types of Algorithms

  • نگاهی متفاوت به انواع الگوریتم ها A Different Take on the types of algorithms

  • درک خود را بیازمایید 1 Test your understanding 1

  • انواع داده ها Types of data

  • درک خود را بیازمایید 2 Test your understanding 2

  • یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Supervised Vs Unsupervised Learning

  • متغیرهای وابسته در مقابل متغیرهای مستقل Dependent Vs Independent Variables

بنیاد The Foundation

  • هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف Strong AI Vs Weak AI

  • چهار نوع تجزیه و تحلیل داده ها Four Types of Data Analytics

  • آنچه اندازه گیری می شود بهبود می یابد What Gets Measured Gets Improved

  • انواع الگوریتم ها Types of Algorithms

  • نگاهی متفاوت به انواع الگوریتم ها A Different Take on the types of algorithms

  • درک خود را بیازمایید 1 Test your understanding 1

  • انواع داده ها Types of data

  • درک خود را بیازمایید 2 Test your understanding 2

  • یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Supervised Vs Unsupervised Learning

  • متغیرهای وابسته در مقابل متغیرهای مستقل Dependent Vs Independent Variables

جبر خطی در یادگیری ماشین Linear Algebra in Machine Learning

  • مفاهیم جبر خطی Linear Algebra Concepts

  • درک رگرسیون خطی ساده Understanding Simple Linear Regression

  • جبر خطی در یادگیری ماشین Linear Algebra in Machine Learning

  • بهینه سازی محدب و نزول گرادیان Convex Optimization and Gradient Descent

جبر خطی در یادگیری ماشین Linear Algebra in Machine Learning

  • مفاهیم جبر خطی Linear Algebra Concepts

  • درک رگرسیون خطی ساده Understanding Simple Linear Regression

  • جبر خطی در یادگیری ماشین Linear Algebra in Machine Learning

  • بهینه سازی محدب و نزول گرادیان Convex Optimization and Gradient Descent

رفرش پایتون Python Refresh

  • شروع کار با پانداها Getting Started with Pandas

  • تجزیه و تحلیل داده ها با استفاده از پانداها Data Analysis Using Pandas

  • تجسم داده ها با استفاده از Matplotlib Data Visualization using Matplotlib

رفرش پایتون Python Refresh

  • شروع کار با پانداها Getting Started with Pandas

  • تجزیه و تحلیل داده ها با استفاده از پانداها Data Analysis Using Pandas

  • تجسم داده ها با استفاده از Matplotlib Data Visualization using Matplotlib

الگوریتم های یادگیری ماشین Machine Learning Algorithms

  • رگرسیون خطی ساده 1 Simple Linear Regression 1

  • نمودارهای پراکندگی شرطی و نقشه حرارتی با استفاده از Seaborn Conditional Scatter Plots and Heatmap using Seaborn

  • رگرسیون خطی ساده 2 Simple Linear Regression 2

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • درخت تصمیم، جنگل تصادفی و XGBoost Decision Tree, Random Forest and XGBoost

  • یادگیری بدون نظارت Unsupervised Learning

  • نحوه انجام پروژه ML How to go about an ML project

  • نمونه هایی از پروژه های یادگیری ماشین را شناسایی کنید Identify examples of machine learning projects

  • امتحان Quiz

الگوریتم های یادگیری ماشین Machine Learning Algorithms

  • رگرسیون خطی ساده 1 Simple Linear Regression 1

  • نمودارهای پراکندگی شرطی و نقشه حرارتی با استفاده از Seaborn Conditional Scatter Plots and Heatmap using Seaborn

  • رگرسیون خطی ساده 2 Simple Linear Regression 2

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • رگرسیون لجستیک Logistic Regression

  • درخت تصمیم، جنگل تصادفی و XGBoost Decision Tree, Random Forest and XGBoost

  • یادگیری بدون نظارت Unsupervised Learning

  • نحوه انجام پروژه ML How to go about an ML project

  • نمونه هایی از پروژه های یادگیری ماشین را شناسایی کنید Identify examples of machine learning projects

  • امتحان Quiz

تجزیه و تحلیل داده های اکتشافی (EDA) برای یادگیری ماشین Exploratory Data Analysis (EDA) for Machine Learning

  • EDA چیست؟ What is EDA?

  • درک داده ها Understanding the data

  • تحلیل تک متغیره Univariate Analysis

  • تجزیه و تحلیل دو متغیره و چند خطی Bivariate Analysis and Multi Collinearity

  • ارزش از دست رفته Missing Values

  • موارد پرت Outliers

  • تبدیل متغیر Variable Transformation

  • کتابخانه های EDA (Klib و Sweetviz) Libraries for EDA (Klib and Sweetviz)

تجزیه و تحلیل داده های اکتشافی (EDA) برای یادگیری ماشین Exploratory Data Analysis (EDA) for Machine Learning

  • EDA چیست؟ What is EDA?

  • درک داده ها Understanding the data

  • تحلیل تک متغیره Univariate Analysis

  • تجزیه و تحلیل دو متغیره و چند خطی Bivariate Analysis and Multi Collinearity

  • ارزش از دست رفته Missing Values

  • موارد پرت Outliers

  • تبدیل متغیر Variable Transformation

  • کتابخانه های EDA (Klib و Sweetviz) Libraries for EDA (Klib and Sweetviz)

یادگیری عمیق Deep Learning

  • معرفی تنسور Tensor Intro

  • محاسبات تانسور Tensor Computations

  • درک یادگیری عمیق به زبان ساده Understanding Deep Learning in Simple Terms

  • تابع فعال سازی Activation Function

  • بهینه سازی محدب Convex Optimization

  • ANN ANN

  • پیچیدگی در CNN Convolution in CNN

  • استقرار یک مدل CNN Deploying a CNN Model

یادگیری عمیق Deep Learning

  • معرفی تنسور Tensor Intro

  • محاسبات تانسور Tensor Computations

  • درک یادگیری عمیق به زبان ساده Understanding Deep Learning in Simple Terms

  • تابع فعال سازی Activation Function

  • بهینه سازی محدب Convex Optimization

  • ANN ANN

  • پیچیدگی در CNN Convolution in CNN

  • استقرار یک مدل CNN Deploying a CNN Model

خودکار ML با استفاده از Vertex Auto ML Using Vertex

  • AutoML چیست؟ What is AutoML

  • مقدمه ای بر هوش مصنوعی Google Cloud Vertex Introduction to Google Cloud Vertex AI

  • رگرسیون خطی چندگانه در راس Multiple Linear Regression in Vertex

  • طبقه بندی در Vertex Classification in Vertex

  • NLP در Vertex NLP in Vertex

خودکار ML با استفاده از Vertex Auto ML Using Vertex

  • AutoML چیست؟ What is AutoML

  • مقدمه ای بر هوش مصنوعی Google Cloud Vertex Introduction to Google Cloud Vertex AI

  • رگرسیون خطی چندگانه در راس Multiple Linear Regression in Vertex

  • طبقه بندی در Vertex Classification in Vertex

  • NLP در Vertex NLP in Vertex

برنامه نویسی پایتون با استفاده از google colab Python Programming using google colab

  • مقدمه ای بر Colab: محیط توسعه ابری گوگل Introduction to Colab: Google Cloud Development Environment

  • شروع کار با پایتون Getting Started with Python

  • متغیرها Variables

  • اپراتورها Operators

  • شرایط Conditions

  • حلقه ها Loops

  • کارکرد Functions

  • آرایه ها Arrays

  • فهرست کنید List

  • چندتایی Tuple

  • تنظیم Set

  • فرهنگ لغت Dictionary

  • شروع کار با NumPy Getting Started with NumPy

  • NumPy: شکل در آرایه ها NumPy: Shape in Arrays

  • NumPy: آرایه های تکرار شونده NumPy: Iterating Arrays

  • NumPy: پیوستن به آرایه ها NumPy: Joining Arrays

  • NumPy: تقسیم آرایه ها NumPy: Splitting Arrays

  • NumPy: جستجو و مرتب سازی آرایه ها NumPy: Searching and Sorting Arrays

  • شروع کار با پانداها Getting Started with Pandas

  • پانداها: Dataframe Pandas: Dataframe

  • پانداها: آمار توصیفی Pandas: Descriptive Statistics

  • پانداها: مرتب سازی، برش، چرخاندن، گروه بندی داده ها Pandas: Sorting, Slicing, Flipping, Grouping Data

برنامه نویسی پایتون با استفاده از google colab Python Programming using google colab

  • مقدمه ای بر Colab: محیط توسعه ابری گوگل Introduction to Colab: Google Cloud Development Environment

  • شروع کار با پایتون Getting Started with Python

  • متغیرها Variables

  • اپراتورها Operators

  • شرایط Conditions

  • حلقه ها Loops

  • کارکرد Functions

  • آرایه ها Arrays

  • فهرست کنید List

  • چندتایی Tuple

  • تنظیم Set

  • فرهنگ لغت Dictionary

  • شروع کار با NumPy Getting Started with NumPy

  • NumPy: شکل در آرایه ها NumPy: Shape in Arrays

  • NumPy: آرایه های تکرار شونده NumPy: Iterating Arrays

  • NumPy: پیوستن به آرایه ها NumPy: Joining Arrays

  • NumPy: تقسیم آرایه ها NumPy: Splitting Arrays

  • NumPy: جستجو و مرتب سازی آرایه ها NumPy: Searching and Sorting Arrays

  • شروع کار با پانداها Getting Started with Pandas

  • پانداها: Dataframe Pandas: Dataframe

  • پانداها: آمار توصیفی Pandas: Descriptive Statistics

  • پانداها: مرتب سازی، برش، چرخاندن، گروه بندی داده ها Pandas: Sorting, Slicing, Flipping, Grouping Data

نمایش نظرات

آموزش 2023 یادگیری ماشین | یادگیری عمیق | EDA | Vertex AI
جزییات دوره
10 hours
67
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
16,523
4.2 از 5
دارد
دارد
دارد
Govind Kumar
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Govind Kumar Govind Kumar

کارشناس هوش مصنوعی و تحول تجاری خلاصه: بیش از 2 دهه تجربه در MNC ها و استارت آپ های برتر. ایفای نقش رهبری و مدیریت مشاغل در سراسر آسیا و اقیانوسیه و منطقه ژاپن تخصص: هوش مصنوعی ، شش سیگما و نوآوری تجربیات کلیدی: با موفقیت در مراکز تعالی برای جلوگیری از کلاهبرداری و تجزیه و تحلیل خدمات انکوبه شد. تجربه قابل توجهی در توسعه و مدیریت محصول مبتنی بر تفکر طراحی. نقشی اساسی در توسعه محصولات برای بازارهای نوظهور ایفا کرد. آموزش و گواهینامه: B. فنی و MBA تمام وقت از موسسات برتر هند گواهینامه ها در شش سیگما و مدیریت پروژه.