آموزش یادگیری ماشینی عملی در پایتون و ChatGPT

Hands-on Machine Learning in Python & ChatGPT

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آموزش عملی یادگیری ماشین با پانداها، Numpy، Seaborn، Scikit-learn در پایتون و ChatGPT: یک جریان کاری کامل یاد بگیرید که به طور ماهرانه از پایتون برای کارهای مختلف یادگیری ماشین، از جمله تمیز کردن داده ها، دستکاری، پیش پردازش و توسعه مدل استفاده کنید. کسب تخصص در ساخت و اجرای مدل‌های یادگیری ماشینی نظارت‌شده: رگرسیون‌ها، جنگل تصادفی، درخت تصمیم، SVM، XGBoost، و KNN، و غیره. مهارت‌هایی در تکنیک‌های یادگیری ماشین بدون نظارت، از جمله KMeans برای تجزیه و تحلیل خوشه‌ای مؤثر و تشخیص الگو کسب کنید. بیاموزید که یک گردش کار ساده و کارآمد برای ساختن مدل های یادگیری ماشینی از ابتدا ایجاد کنید که هم پایتون و هم ChatGPT را در بر می گیرد. توانایی اندازه‌گیری و ارزیابی دقت و عملکرد مدل‌های یادگیری ماشین را توسعه دهید، که امکان تصمیم‌گیری در مورد انتخاب و بهینه‌سازی مدل را فراهم می‌کند. ادغام ChatGPT در گردش کار یادگیری ماشین را کاوش کنید، از قابلیت های آن برای تجزیه و تحلیل داده های پیشرفته و ایجاد بینش استفاده کنید. با در نظر گرفتن عواملی مانند دقت و مقیاس پذیری، استراتژی های انتخاب مناسب ترین مدل یادگیری ماشین برای یک کار مشخص را درک کنید. دانش کسب شده را در سناریوهای دنیای واقعی، حل چالش‌های متنوع یادگیری ماشینی و توسعه راه‌حل‌ها به کار ببرید. پیش نیازها: بدون نیاز به تجربه کدنویسی. دسکتاپ/لپ تاپ

با دوره جامع ما، "آموزش دستی ماشین در Python ChatGPT"، مسیر سریع تسلط بر یادگیری ماشین را باز کنید. با استفاده از ابزارهای ضروری مانند Pandas، Numpy، Seaborn، Scikit-learn، Python و قابلیت‌های نوآورانه ChatGPT، در آموزش‌های عملی غواصی کنید.

این دوره طراحی شده است تا شما را به طور یکپارچه در هر مرحله از فرآیند یادگیری ماشین راهنمایی کند و از یک گردش کار کامل اطمینان حاصل کند که به شما امکان می دهد کارهایی مانند تمیز کردن داده ها، دستکاری، پیش پردازش، و توسعه مدل های قدرتمند یادگیری ماشینی تحت نظارت و بدون نظارت را انجام دهید. .

در این تجربه یادگیری همهجانبه، در ساخت مدل‌های نظارت شده، از جمله رگرسیون خطی، رگرسیون لجستیک، جنگل‌های تصادفی، درخت‌های تصمیم، SVM، XGBoost و KNN مهارت کسب کنید. قدرت مدل‌های بدون نظارت مانند KMeans و DBSCAN را برای تجزیه و تحلیل خوشه‌ای آزاد کنید. این دوره دارای ساختار استراتژیک است تا شما را قادر سازد تا در میان این مفاهیم پیچیده به سرعت، بدون زحمت و با دقت حرکت کنید.

هدف اصلی ما این است که شما را با مهارت‌هایی برای ساختن مدل‌های یادگیری ماشین از ابتدا، با استفاده از قدرت ترکیبی Python و ChatGPT، مجهز کنیم. شما نه تنها مبانی نظری را یاد خواهید گرفت، بلکه در تمرینات عملی نیز شرکت خواهید کرد که درک شما را تقویت می کند. در پایان دوره، شما تخصص لازم برای اندازه‌گیری دقت و عملکرد مدل‌های یادگیری ماشین خود را خواهید داشت که به شما امکان می‌دهد تصمیمات آگاهانه بگیرید و بهترین مدل‌ها را برای استفاده خاص خود انتخاب کنید.

چه یک مبتدی مشتاق ورود به دنیای یادگیری ماشینی باشید یا یک حرفه ای با تجربه باشید که به دنبال ارتقاء مجموعه مهارت های خود هستید، این دوره به تمام سطوح تخصص پاسخ می دهد. در این سفر یادگیری به ما بپیوندید، جایی که بهره‌وری با برتری روبرو می‌شود و با اعتماد به نفس برای مقابله با چالش‌های یادگیری ماشینی در دنیای واقعی ظاهر شوید. با دوره پویا و جامع ما، راه خود را برای تبدیل شدن به یک متخصص یادگیری ماشینی ماهر دنبال کنید.


سرفصل ها و درس ها

راه اندازی پلت فرم تجزیه و تحلیل داده های خود Setting Up Your Data Analysis Platform

  • پایتون و ژوپیتر نوت بوک را نصب کنید Install Python and Jupyter Notebook

  • راه اندازی ChatGPT برای یادگیری آسان ماشین Setting Up ChatGPT for Easy Machine Learning

یادگیری ماشینی چیست؟ What is Machine Learning?

  • یادگیری ماشین و ویژگی های آن Machine Learning and Its Characteristics

  • جریان کار یادگیری ماشین کامل Complete Machine Learning Work-flow

  • مجموعه داده ها را تمرین کنید Practice datasets

  • دستورالعمل برای آزمون ها: مهم است Instructions for Quizzes: IMPORTANT

Master Cleaning Data برای مدل ML بدون خطا Master Data Cleaning for Error-free ML Model

  • مجموعه داده خود را در محیط پایتون بارگیری کنید Load your dataset into Python environment

  • مدیریت مقادیر از دست رفته با Scikit-learn Handling missing values with Scikit-learn

  • شناسایی و مقابله با داده های متناقض Identify and deal with inconsistent data

  • برخورد با انواع داده های شناسایی نشده Dealing with miss-identified data types

  • آدرس دهی و حذف داده های تکراری Address and remove duplicated data

  • آزمون 1: پاکسازی داده ها QUIZ 1: Data Cleaning

  • راه حل 1: پاکسازی داده ها Solution 1: Data Cleaning

دستکاری داده های اصلی برای مدل قوی ML Master Data Manipulation for Strong ML Model

  • مرتب سازی و مرتب سازی مجموعه داده ها Sorting and arranging dataset

  • داده ها را بر اساس شرایط فیلتر کنید Filter data based on conditions

  • ادغام یا اضافه کردن متغیرهای تکمیلی Merging or adding of supplementary variables

  • الحاق یا اضافه کردن داده های تکمیلی Concatenating or adding of supplementary data

  • آزمون 2: دستکاری داده ها QUIZ 2: Data Manipulation

  • راه حل 2: دستکاری داده ها Solution 2: Data Manipulation

پیش پردازش اصلی داده برای مدل Perfect ML Master Data Preprocessing for Perfect ML Model

  • مهندسی ویژگی: تولید داده های جدید Feature engineering: Generating new data

  • استخراج روز، ماه، سال از متغیر تاریخ Extracting day, months, year from date variable

  • رمزگذاری ویژگی: اختصاص مقادیر عددی Feature encoding: Assigning numeric values

  • ایجاد متغیرهای ساختگی برای داده های اسمی Creating dummy variables for nominal data

  • استانداردسازی و عادی سازی داده ها با StandardScaler Data standardizing and normalizing with StandardScaler

  • تقسیم داده ها به مجموعه آموزشی و آزمایشی Splitting data into training and testing set

  • آزمون 3: پیش پردازش داده ها QUIZ 3: Data Preprocessing

  • راه حل 3: پیش پردازش داده ها Solution 3: Data Preprocessing

کاربرد عملی یادگیری ماشین قسمت 1: رگرسیون Hands-on Machine Learning Application Part 1: Regression

  • **بخوانید: مهم** **Read It: IMPORTANT**

  • مدل رگرسیون خطی ML Linear regression ML model

  • مدل ML رگرسیون درخت تصمیم Decision Tree regression ML model

  • مدل رگرسیون جنگل تصادفی ML Random Forest regression ML model

  • پشتیبانی از مدل ML رگرسیون برداری Support Vector regression ML model

  • مدل رگرسیون ML XGBoost XGBoost regression ML model

  • آزمون 4: کاربرد مدل ML قسمت 1 QUIZ 4: ML Model Application Part 1

  • راه حل 4: کاربرد مدل ML قسمت 1 Solution 4: ML Model Application Part 1

کاربرد عملی یادگیری ماشین قسمت 2: طبقه بندی Hands-on Machine Learning Application Part 2: Classification

  • **بخوانید: مهم** **Read It: IMPORTANT**

  • مدل ML رگرسیون لجستیک Logistic Regression ML model

  • مدل ML طبقه بندی درخت تصمیم Decision Tree classification ML model

  • طبقه بندی جنگل تصادفی مدل ML Random Forest classification ML model

  • K نزدیکترین همسایگان طبقه بندی مدل ML K Nearest Neighbours classification ML model

  • طبقه بندی LightGBM مدل ML LightGBM classification ML model

  • آزمون 5: کاربرد مدل ML قسمت 2 QUIZ 5: ML Model Application Part 2

  • راه حل 5: کاربرد مدل ML قسمت 2 Solution 5: ML Model Application Part 2

کاربرد عملی یادگیری ماشین قسمت 3: خوشه بندی Hands-on Machine Learning Application Part 3: Clustering

  • مدل KMeans Clustering ML KMeans Clustering ML model

  • آزمون نهایی: برنامه کاربردی مدل ML قسمت 3 Final QUIZ: ML Model Application Part 3

  • راه حل نهایی: Fast-Track ML در Python و ChatGPT Final Solution: Fast-Track ML in Python & ChatGPT

نکات، ترفندها و منابع Tips, Tricks and Resources

  • ChatGPT: بهترین همراه کد شما ChatGPT: Your best code companion

  • منابع دوره Course resources

نمایش نظرات

آموزش یادگیری ماشینی عملی در پایتون و ChatGPT
جزییات دوره
4.5 hours
42
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,081
5 از 5
دارد
دارد
دارد
Md Shahriar
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Md Shahriar Md Shahriar

تحلیلگر داده (فریلنسر) و مدرس در Udemy