آموزش 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.
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

الگوریتم‌های طبقه‌بندی: K-نزدیک‌ترین همسایه‌ها Classification Algorithms: K-Nearest Neighbors

  • مقدمه ای بر طبقه بندی Introduction to Classification

  • الگوریتم K-نزدیکترین همسایگان K-Nearest Neighbors Algorithm

  • نمونه ای از KNN Example of KNN

  • K-نزدیکترین همسایگان (KNN) با استفاده از پایتون K-Nearest Neighbors (KNN) Using Python

  • پیاده سازی در پایتون: وارد کردن کتابخانه های مورد نیاز Implementation in Python: Importing Required Libraries

  • پیاده سازی در پایتون: وارد کردن مجموعه داده Implementation in Python: Importing the Dataset

  • 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: مقیاس گذاری ویژگی ها Implementation in Python: Feature Scaling

  • پیاده سازی در پایتون: وارد کردن طبقه بندی کننده KNN Implementation in Python: Importing the KNN Classifier

  • پیاده سازی در پایتون: پیش بینی نتایج و ماتریس سردرگمی Implementation in Python: Results Prediction and Confusion Matrix

الگوریتم های طبقه بندی: درخت تصمیم Classification Algorithms: Decision Tree

  • مقدمه ای بر درختان تصمیم Introduction to Decision Trees

  • آنتروپی چیست؟ What Is Entropy?

  • کاوش مجموعه داده Exploring the Dataset

  • ساختار درخت تصمیم Decision Tree Structure

  • پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in Python: Importing Libraries and Datasets

  • 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: پیش بینی نتایج و دقت Implementation in Python: Results Prediction and Accuracy

الگوریتم های طبقه بندی: رگرسیون لجستیک Classification Algorithms: Logistic Regression

  • معرفی Introduction

  • مراحل پیاده سازی Implementation Steps

  • پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in Python: Importing Libraries and Datasets

  • 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: پیش پردازش Implementation in Python: Pre-Processing

  • پیاده سازی در پایتون: آموزش مدل Implementation in Python: Training the Model

  • پیاده سازی در پایتون: پیش بینی نتایج و ماتریس سردرگمی Implementation in Python: Results Prediction and Confusion Matrix

  • رگرسیون لجستیک در مقابل رگرسیون خطی Logistic Regression Versus Linear Regression

خوشه بندی Clustering

  • مقدمه ای بر خوشه بندی Introduction to Clustering

  • موارد استفاده Use Cases

  • الگوریتم خوشه بندی K-Means K-Means Clustering Algorithm

  • روش آرنج Elbow Method

  • مراحل روش آرنج Steps of the Elbow Method

  • پیاده سازی در پایتون Implementation in Python

  • خوشه بندی سلسله مراتبی Hierarchical Clustering

  • خوشه بندی مبتنی بر چگالی Density-Based Clustering

  • پیاده سازی K-Means Clustering در پایتون Implementation of K-Means Clustering in Python

  • وارد کردن مجموعه داده Importing the Dataset

  • تجسم مجموعه داده Visualizing the Dataset

  • تعریف طبقه بندی کننده Defining the Classifier

  • تجسم سه بعدی خوشه ها 3D Visualization of the Clusters

  • تجسم سه بعدی مقادیر پیش بینی شده 3D Visualization of the Predicted Values

  • تعداد خوشه های پیش بینی شده Number of Predicted Clusters

سیستم توصیه کننده Recommender System

  • معرفی Introduction

  • فیلتر مشارکتی در سیستم های توصیه کننده Collaborative Filtering in Recommender Systems

  • سیستم توصیه کننده مبتنی بر محتوا Content-Based Recommender System

  • پیاده سازی در پایتون: وارد کردن کتابخانه ها و مجموعه داده ها Implementation in Python: Importing Libraries and Datasets

  • ادغام مجموعه داده ها در یک Dataframe Merging Datasets into One Dataframe

  • مرتب سازی بر اساس عنوان و رتبه Sorting by Title and Rating

  • هیستوگرام نمایش تعداد رتبه ها Histogram Showing Number of Ratings

  • توزیع فرکانس Frequency Distribution

  • طرح مشترک رتبه‌بندی‌ها و تعداد رتبه‌بندی‌ها Jointplot of the Ratings and Number of Ratings

  • پیش پردازش داده ها Data Pre-Processing

  • مرتب سازی فیلم های دارای بیشترین امتیاز Sorting the Most-Rated Movies

  • گرفتن رتبه برای دو فیلم Grabbing the Ratings for Two Movies

  • همبستگی بین فیلم های دارای بیشترین امتیاز Correlation Between the Most-Rated Movies

  • مرتب سازی داده ها بر اساس همبستگی Sorting the Data by Correlation

  • فیلتر کردن فیلم ها Filtering Out Movies

  • مرتب سازی مقادیر Sorting Values

  • تکرار روند برای فیلمی دیگر Repeating the Process for Another Movie

نتیجه Conclusion

  • متشکرم Thank You

نمایش نظرات

نظری ارسال نشده است.

آموزش Python for Machine Learning - دوره کامل مبتدی [ویدئو]
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
2 h 27 m
86
Packtpub packtpub-small
04 مهر 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
ندارد
دارد
دارد
Meta Brains

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Meta Brains Meta Brains

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!