لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین پایتون در 7 روز [ویدئو]
Python Machine Learning in 7 Days [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشینی یکی از محبوب ترین مهارت ها در بازار است. اما آیا تا به حال به این فکر کردهاید که از کجا شروع کنید یا این دوره را که دنبال کردن آن چندان آسان نیست پیدا کردهاید. با استفاده از این دوره عملی و عملی یادگیری ماشینی، میتوانید بدون نیاز به یک ریاضیدان خبره، یادگیری ماشین را در کمتر از یک هفته یاد بگیرید و شروع به استفاده از آن کنید.
در این دوره آموزشی، در هر بخش با یک جنبه یادگیری ماشینی جدید آشنا می شوید و پس از آن یک تکلیف عملی به عنوان یک تکلیف خانگی به شما کمک می کند تا یادگیری ها را به طور موثر اجرا کنید. با رویکرد سیستماتیک و سریع این دوره، یادگیری ماشینی با استفاده از پایتون را به کاربردی ترین و ساختاریافته ترین روش یاد بگیرید تا در یک هفته پروژه های یادگیری ماشین را در پایتون توسعه دهید.
این دوره به گونه ای طراحی شده است که پتانسیل یادگیری ماشین پایتون را در کوتاه ترین زمان باز کند. اگر به دنبال ارتقاء مهارت های یادگیری ماشینی خود با استفاده از پایتون در سریع ترین زمان ممکن هستید، پس این دوره برای شما مناسب است!
می توانید فایل های کد را در https://github.com/PacktPublishing/Python-Machine-Learning-in-7-Days پیدا کنید.
این دوره از Python 3.6 استفاده می کند در حالی که آخرین نسخه موجود نیست، اما محتوای مرتبط و آموزنده را برای کاربران قدیمی پایتون ارائه می دهد. بر مهمترین الگوریتم ها در یادگیری ماشین تسلط داشته باشید
بر اساس داده ها پیش بینی کنید
درک شهودی از نحوه عملکرد یادگیری ماشینی به دست آورید
درک شهودی از محل استفاده از رویکرد یادگیری ماشینی به دست آورید
نحوه استفاده از کتابخانه های از پیش نوشته شده در پایتون برای کار با الگوریتم های قدرتمند
تکنیک های پیشرفته یادگیری ماشین مانند شبکه های عصبی را بیاموزید
اگر به یادگیری ماشین علاقه مند هستید و درک اولیه ای از پایتون دارید و به دنبال گسترش مهارت های پایتون خود در یک بازه زمانی سریع هستید.
درک خوبی از یادگیری ماشین برای شروع ایجاد راه حل های عملی. * درک بصری بسیاری از الگوریتمهای یادگیری ماشینی را دریافت کنید * مدلهای مختلف یادگیری ماشینی بسازید و یاد بگیرید که آنها را برای حل مشکلات ترکیب کنید * *
سرفصل ها و درس ها
وارد دنیای یادگیری ماشین شوید!
Enter the Machine Learning World!
بررسی اجمالی دوره
The Course Overview
تنظیم محیط یادگیری ماشینی
Setting Up Your Machine Learning Environment
بررسی انواع یادگیری ماشینی
Exploring Types of Machine Learning
استفاده از Scikit-learn برای یادگیری ماشین
Using Scikit-learn for Machine Learning
تکلیف - اولین مدل یادگیری ماشینی از پیش ساخته خود را آموزش دهید
Assignment – Train Your First Pre-built Machine Learning Model
اولین مدل پیش بینی خود را بسازید
Build Your First Predicting Model
الگوریتم یادگیری نظارت شده
Supervised Learning Algorithm
معماری یک سیستم یادگیری ماشینی
Architecture of a Machine Learning System
مدل یادگیری ماشین و اجزای آن
Machine Learning Model and Its Components
رگرسیون خطی
Linear Regression
پیش بینی وزن با استفاده از رگرسیون خطی
Predicting Weight Using Linear Regression
تکلیف - پیش بینی بازده انرژی یک نیروگاه
Assignment – Predicting Energy Output of a Power Plant
طبقه بندی تصویر با استفاده از یادگیری نظارت شده
Image Classification Using Supervised Learning
بررسی پیش بینی بازده انرژی یک نیروگاه
Review of Predicting Energy Output of a Power Plant
رگرسیون لجستیک
Logistic Regression
طبقه بندی تصاویر با استفاده از رگرسیون لجستیک
Classifying Images Using Logistic Regression
ماشین های بردار پشتیبانی
Support Vector Machines
هسته ها در یک SVM
Kernels in a SVM
طبقه بندی تصاویر با استفاده از ماشین های بردار پشتیبان
Classifying Images Using Support Vector Machines
تکلیف - شروع طبقهبندی تصویر با استفاده از ماشینهای بردار پشتیبانی
Assignment – Start Image Classifying Using Support Vector Machines
بهبود دقت مدل
Improving Model Accuracy
بررسی طبقه بندی تصاویر با استفاده از ماشین های بردار پشتیبان
Review of Classifying Images Using Support Vector Machines
ارزیابی مدل
Model Evaluation
اقدامات بهتر از دقت
Better Measures than Accuracy
درک نتایج
Understanding the Results
بهبود مدل ها
Improving the Models
تکلیف - بدست آوردن نتایج بهتر نمونه آزمون با اندازه گیری عملکرد مدل
Assignment – Getting Better Test Sample Results by Measuring Model Performance
یافتن الگوها و ساختارها در داده های بدون برچسب
Finding Patterns and Structures in Unlabeled Data
بررسی دریافت نتایج نمونه آزمایشی بهتر با اندازه گیری عملکرد مدل
Review of Getting Better Test Sample Results by Measuring Model Performance
یادگیری بدون نظارت
Unsupervised Learning
خوشه بندی
Clustering
K-به معنای خوشه بندی است
K-means Clustering
تعیین تعداد خوشه ها
Determining the Number of Clusters
تکلیف - پیاده سازی خوشه بندی خود را برای تقسیم بندی مشتری بنویسید
Assignment – Write Your Own Clustering Implementation for Customer Segmentation
تحلیل احساسات با استفاده از شبکه های عصبی
Sentiment Analysis Using Neural Networks
بررسی خوشه بندی مشتریان با هم
Review of Clustering Customers Together
چرا شبکه عصبی
Why Neural Network
بخش هایی از یک شبکه عصبی
Parts of a Neural Network
کار یک شبکه عصبی
Working of a Neural Network
بهبود شبکه
Improving the Network
تکلیف - ساخت یک تحلیلگر احساسات بر اساس شبکه اجتماعی با استفاده از ANN
Assignment – Build a Sentiment Analyzer Based on Social Network Using ANN
تسلط بر مسابقه Kaggle Titanic با استفاده از جنگل تصادفی
Mastering Kaggle Titanic Competition Using Random Forest
بررسی ساخت یک تحلیلگر احساسات ANN
Review of Building a Sentiment Analyser ANN
درختان تصمیم
Decision Trees
کارکردن درخت تصمیم
Working of a Decision Tree
تکنیک هایی برای بهبود بیشتر یک مدل
Techniques to Further Improve a Model
جنگل تصادفی به عنوان یک رویکرد یادگیری ماشین بهبود یافته
Random Forest as an Improved Machine Learning Approach
کار آخر هفته - حل مسئله تایتانیک با استفاده از جنگل تصادفی
Weekend Task – Solving Titanic Problem Using Random Forest
نمایش نظرات
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.
آریش علی سفر یادگیری ماشینی خود را 5 سال پیش با برنده شدن در مسابقه یادگیری ماشینی تمام هند که توسط موسسه علوم هند و مایکروسافت انجام شد آغاز کرد. او دانشمند داده در مو سیگما، یکی از بزرگترین شرکت های تحلیلی در هند بود. او همچنین بر روی برخی از مشکلات پیشرو در مدلسازی اسناد چند لمسی، مدلسازی ترکیبی بازار و شبکههای عصبی عمیق کار کرده است. او همچنین یکی از اعضای هیئت علمی تکمیلی تجزیه و تحلیل کسب و کار پیش بینی شده در دانشکده مدیریت بریج بوده است که دوره خود را در تجزیه و تحلیل کسب و کار پیش بینی شده همراه با دانشگاه نورث وسترن (SPS) ارائه می دهد. در حال حاضر، او در یک استارت آپ سلامت روان به نام Bemo به عنوان یک توسعه دهنده هوش مصنوعی کار می کند که نقش او کمک به خودکارسازی درمان ارائه شده به کاربران و شخصی سازی آن است.
نمایش نظرات