یادگیری ماشینی A-Z از مبانی تا استقرار
Machine Learning A-Z From Foundations to Deployment
به حوزه یادگیری ماشینی علاقه دارید؟ پس این دوره برای شماست!
این دوره توسط یک دانشمند داده و یک متخصص یادگیری ماشین طراحی شده است تا بتوانیم دانش خود را به اشتراک بگذاریم و به شما کمک کنیم تئوری پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به سادگی یاد بگیرید.
بیش از 900000 دانشجو در سراسر جهان به این دوره اعتماد دارند.
ما شما را قدم به قدم وارد دنیای یادگیری ماشینی خواهیم کرد. با هر آموزش، مهارت‌های جدیدی را توسعه می‌دهید و درک خود را از این زیر شاخه چالش‌برانگیز و در عین حال پرسود علم داده بهبود می‌بخشید.
این دوره را می‌توان با انجام آموزش‌های پایتون، آموزش‌های R یا هر دو تکمیل کرد - Python R. زبان برنامه‌نویسی مورد نیاز خود را برای حرفه خود انتخاب کنید.
این دوره سرگرم کننده و هیجان انگیز است و در عین حال ما عمیقاً به یادگیری ماشین می پردازیم. ساختار آن به شکل زیر است:
بخش 1 - پیش پردازش داده
بخش 2 - رگرسیون: رگرسیون خطی ساده، رگرسیون خطی چندگانه، رگرسیون چند جمله‌ای، SVR، رگرسیون درخت تصمیم، رگرسیون جنگل تصادفی
قسمت 3 - طبقه بندی: رگرسیون لجستیک، K-NN، SVM، هسته SVM، ساده و بی تکلف، طبقه بندی درخت تصمیم، طبقه بندی جنگل تصادفی
بخش 4 - خوشه‌بندی: K-Means، خوشه‌بندی سلسله مراتبی
بخش 5 - آموزش قوانین انجمن: Apriori، Eclat
قسمت 6 - یادگیری تقویتی: حد بالای اطمینان، نمونه برداری تامپسون
قسمت 7 - پردازش زبان طبیعی: مدل و الگوریتم‌های مجموعه کلمات برای NLP
بخش 8 - یادگیری عمیق: شبکه های عصبی مصنوعی، شبکه های عصبی کانولوشن
بخش 9 - کاهش ابعاد: PCA، LDA، هسته PCA
بخش 10 - تقویت انتخاب مدل: اعتبارسنجی متقاطع k-fold، تنظیم پارامتر، جستجوی شبکه، XGBoost
هر بخش در داخل هر بخش مستقل است. بنابراین می‌توانید کل دوره را از ابتدا تا انتها بگذرانید یا می‌توانید مستقیماً به هر بخش خاصی بروید و آنچه را که برای حرفه خود در حال حاضر نیاز دارید بیاموزید.
علاوه بر این، این دوره مملو از تمرین‌های عملی است که مبتنی بر مطالعات موردی واقعی است. بنابراین نه تنها تئوری را یاد خواهید گرفت، بلکه تمرینات عملی زیادی برای ساخت مدل های خود خواهید داشت.
این دوره شامل هر دو الگوی کد پایتون و R است که می توانید آنها را دانلود کرده و در پروژه های خود استفاده کنید.
مقدمه ای بر یادگیری ماشین و MLOps Introduction to Machine Learning and MLOps
-
معرفی دوره Introduction to the course
مبانی اساسی یادگیری ماشین کلاسیک از ابتدا Foundational basics of Classical Machine learning from scratch
-
فرو رفتن عمیق در رگرسیون لجستیک Deep Dive into Logistic Regression
-
مبانی پردازش زبان طبیعی Basics of Natural Language Processing
-
پیش پردازش متن برای جاسازی کلمه Text Preprocessing for word embedding
مفروضات و تحلیل مدل های رگرسیون Assumptions and Analysis of Regression Models
-
رگرسیون خطی - تجزیه و تحلیل بررسی های آمازون Fine Food Linear Regression - Analysis of Amazon Fine Food Reviews
طبقه‌بندی درختی و مدل‌ها و روش‌های رگرسیون Tree Based Classification and Regression Models & Methods
-
درخت تصمیم Decision Tree
-
مدل‌های گروه - جنگل تصادفی Ensembles Models- Random Forest
مدل های یادگیری بدون نظارت - K Means Unsupervised Learning Models - K Means
-
الگوریتم میانگین K K Mean Algorithm
مقدمه ای بر MLOps و فرو رفتن عمیق در استراتژی های تولید Introduction to MLOps & Deep Dive into Production Strategies
-
مقدمه ای بر عملیات یادگیری ماشینی Introduction to Machine learning Operations
-
یکپارچه سازی مداوم و استقرار مداوم (CI/CD) و کنترل نسخه Continuous Integration and Continuous Deployment (CI/CD) and Version controlling
-
کاربرد اصول DevOps در علم داده The application of DevOps principles in data science
-
بررسی انواع ظروف با مثال Examining the Different Types of Containers with an examples
-
نظارت و مدیریت ظروف در یک محیط تولید با یک مثال Monitoring and managing containers in a production environment with an example
-
بهینه سازی استفاده از منابع و استقرار و مقیاس بندی کارآمد برنامه ها Optimize resource usage and efficient deployment and scaling of applications
پیش بینی کرایه پرواز: برآوردهای دقیق و به موقع برای سفر مقرون به صرفه Flight Fare Prediction: Accurate and Timely Estimates for Affordable Travel
-
بلوک های ساختمان تکنیک های رگرسیون Building Blocks of Regression Techniques
-
معرفی داده ها و تحلیل ها Introduction of Data & Analytics
-
استفاده از Mlops برای برنامه Flask Applying MLops for Flask Application
https://donyad.com/d/ad2d3b
Akhil Vydyula
Full Stack Data Scientist
سلام!
اسم من Akhil Vydyula است، من یک دانشمند داده هستم
من قبلاً روی تجزیه و تحلیل داده های BFSI کار کرده بودم و مهارت های مدل سازی برای نظارت بر چرخه تمام عمر توسعه و اجرا. او دارای توانایی قوی است.
قابلیت بحث در مورد داده ها، مهندسی ویژگی، توسعه الگوریتم، آموزش مدل و پیاده سازی.
مهارت ها و شایستگی ها
دانش و تجربه تخصصی با برنامه نویسی C/C++/python و SQL.
باید قادر به یادگیری و اجرای سریع و موثر فناوری های جدید باشد.
مهارت های ریاضی عالی، مهارت های منطقی حل مسئله .
شرکت فعال در هکاتون ها در پلتفرم های مختلف و نوشتن وبلاگ در رسانه.
مهارت های فنی
یادگیری ماشین، پردازش زبان طبیعی (NLP)، Computer Vision، Regression، Multi Label
Classification.Transfer Learning، Transformers، Ensembles، Stacking Classifiers.AutoML، SQL، Python، Keras، Pandas، NumPy، Seaborn، Matplotlib، Clustering، Systems Recommendation ,تحلیل سری زمانی.
نمایش نظرات