یادگیری ماشین و علم داده A-Z: Python Hands-on 2024

Machine Learning & Data Science A-Z: Hands-on Python 2024

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری NumPy، Pandas، Matplotlib، Seaborn، Scikit-learn، Scipy و توسعه مدل های یادگیری ماشین در پایتون درک مفاهیم اولیه آموزش کامل در مورد بسته های پایه مانند Numpy و Pandas Visualization Data Preprocessing داده ها درک مفهوم پشت الگوریتم ها توسعه انواع مختلف ماشین ها مدل‌ها دانستن نحوه بهینه‌سازی فراپارامترهای مدل‌های خود یاد بگیرید چگونه مدل‌هایی را بر اساس نیاز کسب‌وکار آینده خود توسعه دهید.

آیا به علم داده و یادگیری ماشین علاقه دارید، اما هیچ پیشینه ای ندارید و مفاهیم را گیج کننده می دانید؟

آیا به برنامه نویسی در پایتون علاقه دارید، اما همیشه از کدنویسی می ترسید؟

من فکر می کنم این دوره برای شما مناسب است!

حتی اگر با یادگیری ماشینی آشنایی دارید، این دوره می‌تواند به شما کمک کند تا تمام تکنیک‌ها را مرور کنید و مفهوم پشت هر اصطلاح را درک کنید.

این دوره کاملاً دسته بندی شده است و ما از وسط شروع نمی کنیم! ما در واقع از مفهوم هر اصطلاح شروع می کنیم و سپس سعی می کنیم قدم به قدم آن را در پایتون پیاده سازی کنیم. ساختار دوره به شرح زیر است:

فصل 1: مقدمه و همه نصب‌های مورد نیاز

فصل 2: ​​کتابخانه های مفید یادگیری ماشین (NumPy، Pandas Matplotlib)

فصل 3: پیش پردازش

فصل 4: انواع یادگیری ماشینی

فصل 5: یادگیری تحت نظارت: طبقه بندی

فصل 6: یادگیری تحت نظارت: رگرسیون

فصل 7: یادگیری بدون نظارت: خوشه بندی

فصل 8: تنظیم مدل

علاوه بر این، می آموزید که چگونه با مجموعه داده های واقعی مختلف کار کنید و از آنها برای توسعه مدل های خود استفاده کنید. تمام قالب‌های کد پایتون که در طول دوره با هم می‌نویسیم در دسترس هستند و می‌توانید آنها را با دکمه منبع هر بخش دانلود کنید.

به خاطر بسپار! که این دوره با هر پیشینه ای برای شما ایجاد شده است زیرا تمام مفاهیم از پایه توضیح داده خواهد شد! همچنین، برنامه نویسی در پایتون از روی کدنویسی اولیه توضیح داده خواهد شد و فقط باید سینتکس پایتون را بدانید.


سرفصل ها و درس ها

مقدمه Introduction

  • محتوای دوره Course Content

  • یادگیری ماشینی چیست؟ برخی از اصطلاحات اساسی What is Machine Learning? Some Basic Terms

  • نصب پایتون Python Installation

  • IDE پایتون Python IDE

  • نصب IDE IDE Installation

  • نصب کتابخانه های مورد نیاز Installation of Required Libraries

  • رابط Spyder Spyder Interface

بسته های مفید یادگیری ماشین (کتابخانه ها) Machine Learning Useful Packages (Libraries)

  • کدهای منبع پایتون Python Source Codes

  • NumPy1 NumPy1

  • NumPy2 NumPy2

  • NumPy3 NumPy3

  • NumPy4 NumPy4

  • NumPy5 NumPy5

  • NumPy6 NumPy6

  • پانداها 1 Pandas1

  • پانداها 2 Pandas2

  • پانداها 3 Pandas3

  • پانداها 4 Pandas4

  • تجسم با Matplotlib1 Visualization with Matplotlib1

  • تجسم با Matplotlib2 Visualization with Matplotlib2

  • تجسم با Matplotlib3 Visualization with Matplotlib3

  • تجسم با Matplotlib4 Visualization with Matplotlib4

  • تجسم با Matplotlib5 Visualization with Matplotlib5

  • آزمون فصل 2 Chapter 2 Quiz

پیش پردازش داده ها Data Preprocessing

  • خواندن و اصلاح یک مجموعه داده Reading and Modifying a Dataset

  • آمار 1 Statistics1

  • آمار 2 Statistics2

  • آمار3 - کوواریانس Statistics3 - Covariance

  • مقادیر از دست رفته 1 Missing Values1

  • مقادیر از دست رفته 2 Missing Values2

  • تشخیص پرت 1 Outlier Detection1

  • تشخیص بیرونی 2 Outlier Detection2

  • تشخیص پرت 3 Outlier Detection3

  • الحاق Concatenation

  • متغیر ساختگی Dummy Variable

  • عادی سازی Normalization

  • امتحان فصل سوم Chapter3 Quiz

مقدمه یادگیری ماشین Machine Learning Introduction

  • انواع یادگیری Learning Types

  • امتحان فصل 4 Chapter 4 Quiz

یادگیری تحت نظارت - طبقه بندی Supervised Learning - Classification

  • مدل های یادگیری نظارت شده - معرفی و درک داده ها Supervised Learning Models - Introduction and Understanding the Data

  • مفاهیم k-NN k-NN Concepts

  • توسعه مدل k-NN k-NN Model Development

  • k-NN آموزش مجموعه و تست مجموعه ایجاد k-NN Training-Set and Test-Set Creation

  • مفاهیم درخت تصمیم Decision Tree Concepts

  • توسعه مدل درخت تصمیم Decision Tree Model Development

  • درخت تصمیم - اعتبار سنجی متقاطع Decision Tree - Cross Validation

  • مفاهیم ساده لوحانه بیز Naive Bayes Concepts

  • توسعه مدل ساده بیز Naive Bayes Model Development

  • مفاهیم رگرسیون لجستیک Logistic Regression Concepts

  • توسعه مدل رگرسیون لجستیک Logistic Regression Model Development

  • مفاهیم ارزیابی مدل Model Evaluation Concepts

  • ارزیابی مدل - محاسبه با پایتون Model Evaluation - Calculating with Python

  • آزمون فصل 5 Chapter 5 Quiz

یادگیری تحت نظارت - رگرسیون Supervised Learning - Regression

  • توجه داشته باشید! Note!

  • مفاهیم رگرسیون خطی ساده و چندگانه Simple and Multiple Linear Regression Concepts

  • رگرسیون خطی چندگانه - توسعه مدل Multiple Linear Regression - Model Development

  • معیارهای ارزیابی - مفاهیم Evaluation Metrics - Concepts

  • معیارهای ارزیابی - پیاده سازی Evaluation Metrics - Implementation

  • مفاهیم رگرسیون خطی چند جمله ای Polynomial Linear Regression Concepts

  • توسعه مدل رگرسیون خطی چند جمله ای Polynomial Linear Regression Model Development

  • مفاهیم جنگل تصادفی Random Forest Concepts

  • توسعه مدل جنگل تصادفی Random Forest Model Development

  • پشتیبانی از مفاهیم رگرسیون برداری Support Vector Regression Concepts

  • توسعه مدل رگرسیون برداری پشتیبانی Support Vector Regression Model Development

  • امتحان فصل 6 Chapter 6 Quiz

یادگیری بدون نظارت - تکنیک های خوشه بندی Unsupervised Learning - Clustering Techniques

  • مقدمه Introduction

  • K-means Concepts1 K-means Concepts1

  • K-means Concepts2 K-means Concepts2

  • K-means توسعه مدل 1 K-means Model Development1

  • K-به معنی توسعه مدل 2 K-means Model Development2

  • K-means - ارزیابی مدل K-means - Model Evaluation

  • مفاهیم DBSCAN DBSCAN Concepts

  • توسعه مدل DBSCAN DBSCAN Model Development

  • مفاهیم خوشه بندی سلسله مراتبی Hierarchical Clustering Concepts

  • توسعه مدل خوشه بندی سلسله مراتبی Hierarchical Clustering Model Development

  • امتحان فصل 7 Chapter 7 Quiz

بهینه سازی Hyper Parameter (تیونینگ مدل) Hyper Parameter Optimization (Model Tuning)

  • مقدمه Introduction

  • رگرسیون بردار پشتیبانی - تنظیم مدل Support Vector Regression - Model Tuning

  • K-Means - تیونینگ مدل K-Means - Model Tuning

  • k-NN - تنظیم مدل k-NN - Model Tuning

  • Overfitting و Underfitting Overfitting and Underfitting

پاداش Bonus

  • سخنرانی پاداش Bonus Lecture

نمایش نظرات

یادگیری ماشین و علم داده A-Z: Python Hands-on 2024
جزییات دوره
14.5 hours
76
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
69,072
4.3 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Navid Shirzadi Navid Shirzadi

Data Analyst - Optimization Expert نام من نوید شیرزید است و من بسیار خوشحالم که شما برای خواندن این بخش اینجا هستید! من یک محقق با بیش از 7 سال تجربه در زمینه کنترل سیستم های انرژی یکپارچه با مهارت گسترده در استفاده از استراتژی های بهینه سازی ریاضی هستم. من همچنین در برنامه نویسی با پایتون و توسعه مدل های یادگیری ماشین و یادگیری عمیق برای برنامه های مختلف مهارت دارم. من چندین نشریه در زمینه طراحی و کنترل استراتژی های سیستم های انرژی با استفاده از یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی دارم. به عنوان نتیجه گیری ، من علاقه زیادی به علم داده و یادگیری ماشین و برنامه های بهینه سازی در مشکلات دنیای واقعی دارم و واقعاً دوست دارم تجربه خود را با شما در میان بگذارم!