لطفا جهت پرداخت (ورود به درگاه بانک) فیلترشکن خود را خاموش نمایید.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
Python for Machine Learning - دوره کامل مبتدی [ویدئو]
Python for Machine Learning - The Complete Beginner's Course [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشین شاخهای از علوم کامپیوتر است که در آن میتوانید از ورودیهای ریاضی برای توسعه مدلهای پیچیده که نقشهای مختلفی را انجام میدهند، استفاده کنید. پایتون یک انتخاب محبوب برای ساخت مدل های یادگیری ماشینی است زیرا تعداد زیادی کتابخانه در دسترس است. این دوره شما را از طریق ترکیبی شگفت انگیز از پایتون و یادگیری ماشین راهنمایی می کند و اصول یادگیری ماشینی را به شما آموزش می دهد تا بتوانید پروژه های خود را بسازید.
ما با مطالعه برنامه نویسی پایتون و استفاده از Scikit-Learn در رگرسیون یادگیری ماشین در این دوره شروع خواهیم کرد. پس از آن، به تئوری زیربنای الگوریتم های رگرسیون خطی ساده و چندگانه نگاه خواهیم کرد. پس از آن، نحوه حل مسائل رگرسیون خطی و لجستیک را بررسی خواهیم کرد. بعداً از sklearn برای یادگیری تئوری و کاربرد واقعی رگرسیون لجستیک استفاده خواهیم کرد. ما همچنین به درخت های تصمیم گیری زیربنای ریاضی خواهیم پرداخت. در نهایت، با الگوریتم های مختلف خوشه بندی آشنا خواهید شد.
با پایان این دوره، شما قادر خواهید بود از این الگوریتم ها در دنیای واقعی استفاده کنید.
بسته کد برای این دوره در دسترس است: https://github.com/PacktPublishing/Python-for-Machine-Learning---The-Complete-Beginner-s-Course اصول نظریه یادگیری عمیق را بیاموزید.
الگوریتم های طبقه بندی را برای K-Nearest Neighbors، درخت تصمیم و رگرسیون لجستیک کاوش کنید.
آموزش پیاده سازی ANN و CNN در پایتون
الگوریتم نزول گرادیان را درک کنید
انواع مختلف توابع فعال سازی را کاوش کنید
کاوش در معماری شبکه های عصبی این دوره برای کسانی است که علاقه مند به دنبال کردن حرفه ای در یادگیری ماشین هستند و همچنین برنامه نویسان پایتون که می خواهند مهارت های یادگیری ماشین را به رزومه خود اضافه کنند. این دوره همچنین برای فنآورانی که میخواهند درباره نحوه عملکرد یادگیری ماشین در دنیای واقعی بیشتر بیاموزند، مفید خواهد بود. این دوره مستلزم آشنایی با مبانی پایتون و همچنین آمادگی، انعطاف پذیری، اراده برای یادگیری و از همه مهمتر مهارت های پایه ریاضی است. نحوه استفاده از چارچوب های مختلف در پایتون برای حل مشکلات دنیای واقعی با استفاده از یادگیری عمیق و هوش مصنوعی * ساخت شبکه های عصبی مصنوعی با TensorFlow و Keras * پیش بینی با استفاده از رگرسیون خطی، رگرسیون چند جمله ای و رگرسیون چند متغیره
سرفصل ها و درس ها
مقدمه ای بر یادگیری ماشینی
Introduction to Machine Learning
یادگیری ماشینی چیست؟
What Is Machine Learning?
کاربردهای یادگیری ماشینی
Applications of Machine Learning
روش های یادگیری ماشینی
Machine Learning Methods
یادگیری تحت نظارت چیست؟
What Is Supervised Learning?
یادگیری بدون نظارت چیست؟
What Is Unsupervised Learning?
یادگیری تحت نظارت در مقابل یادگیری بدون نظارت
Supervised Learning Versus Unsupervised Learning
اختیاری: راه اندازی پیاده سازی الگوریتم های پایتون و ML
Optional: Setting Up Python and ML Algorithms Implementation
معرفی
Introduction
کتابخانه های پایتون برای یادگیری ماشین
Python Libraries for Machine Learning
راه اندازی پایتون
Setting Up Python
ژوپیتر چیست؟
What Is Jupyter?
نصب آناکوندا ویندوز مک و اوبونتو
Anaconda Installation Windows Mac and Ubuntu
پیاده سازی پایتون در ژوپیتر
Implementing Python in Jupyter
مدیریت دایرکتوری ها در نوت بوک Jupyter
Managing Directories in Jupyter Notebook
رگرسیون خطی ساده
Simple Linear Regression
مقدمه ای بر رگرسیون
Introduction to Regression
رگرسیون خطی چگونه کار می کند؟
How Does Linear Regression Work?
نمایندگی خط
Line Representation
پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها
Implementation in Python: Importing Libraries and Datasets
پیاده سازی در پایتون: توزیع داده ها
Implementation in Python: Distribution of the Data
پیاده سازی در پایتون: ایجاد یک شی رگرسیون خطی
Implementation in Python: Creating a Linear Regression Object
رگرسیون خطی چندگانه
Multiple Linear Regression
درک رگرسیون خطی چندگانه
Understanding Multiple Linear Regression
پیاده سازی در پایتون: کاوش مجموعه داده
Implementation in Python: Exploring the Dataset
پیاده سازی در پایتون: رمزگذاری داده های طبقه بندی شده
Implementation in Python: Encoding Categorical Data
پیاده سازی در پایتون: تقسیم داده ها به مجموعه های آموزش و آزمایش
Implementation in Python: Splitting Data into Train and Test Sets
پیاده سازی در پایتون: آموزش مدل در مجموعه آموزشی
Implementation in Python: Training the Model on the Training Set
پیاده سازی در پایتون: پیش بینی نتایج مجموعه تست
Implementation in Python: Predicting the Test Set Results
ارزیابی عملکرد مدل رگرسیون
Evaluating the Performance of the Regression Model
ریشه میانگین مربعات خطا در پایتون
Root Mean Squared Error in Python
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
بیایید با هم ابر جهان را کدنویسی و بسازیم! Meta Brains یک برند آموزشی حرفه ای است که توسط تیمی از توسعه دهندگان نرم افزار و متخصصان امور مالی که به امور مالی، کدنویسی و اکسل علاقه دارند، توسعه یافته است. ما تجارب حرفهای و آموزشی را برای ایجاد برنامههای آموزشی در سطح جهانی که برای همه قابل دسترسی است، گرد هم میآوریم. در حال حاضر، ما بر انقلاب بزرگ بعدی در محاسبات متمرکز هستیم: متاورس. هدف نهایی ما این است که نسل بعدی استعدادها را آموزش دهیم تا بتوانیم با هم متاورز را کدنویسی و بسازیم!
نمایش نظرات