آموزش بوت کمپ طبقه بندی یادگیری ماشین در پایتون

Machine Learning Classification Bootcamp in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: 10 پروژه عملی بسازید و مهارت های خود را در یادگیری ماشین با استفاده از Python و Scikit Learn به کار ببرید مدل های پیشرفته یادگیری ماشین را برای انجام تجزیه و تحلیل احساسات و طبقه بندی نظرات مشتریان مانند بررسی محصولات آمازون الکسا درک کنید تئوری و شهود پشت چندین الگوریتم یادگیری ماشین پیاده سازی الگوریتم های طبقه بندی در Scikit -آموزش برای K-Nearest Neighbors، (SVM)، درختان تصمیم، جنگل تصادفی، Naive Bayes و رگرسیون لجستیک ساخت یک طبقه بندی کننده هرزنامه ایمیل با استفاده از تکنیک طبقه بندی ساده بیز. توسعه مدل‌هایی برای پیش‌بینی رفتار مشتری نسبت به تبلیغات هدفمند فیسبوک طبقه‌بندی داده‌ها با استفاده از K-Nearest Neighbors، Support Vector Machines (SVM)، درختان تصمیم، جنگل تصادفی، Naive Bayes و رگرسیون لجستیک یک ویژگی در فروشگاه بسازید تا اندازه مشتری را با استفاده از ویژگی‌های آنها پیش‌بینی کنید. با استفاده از Machine Learnin یک طبقه بندی تشخیص تقلب ایجاد کنید g Techniques Master Python Seaborn کتابخانه برای نمودارهای آماری تفاوت بین یادگیری ماشین، یادگیری عمیق و هوش مصنوعی را درک کنید. کتابخانه Matplotlib برای داده ترسیم پیش نیازها: دانش اولیه برنامه نویسی پایتون کاربر با تجربه کامپیوتر

آیا آماده اید که بر تکنیک های یادگیری ماشین تسلط داشته باشید و شغل خود را به عنوان یک دانشمند داده آغاز کنید؟!

به جای درستی آمدید!

بر اساس PayScale، یادگیری ماشینی یکی از مهارت‌های برتر برای کسب در سال 2022 است، با میانگین حقوق بیش از 114000 دلار در ایالات متحده! طی دو سال گذشته، تعداد کل مشاغل ML حدود 600 درصد افزایش یافته است و انتظار می‌رود تا سال 2025 حتی بیشتر از این افزایش یابد.

این دوره دانش و تجربه عملی تکنیک های طبقه بندی یادگیری ماشینی پیشرفته مانند

را در اختیار دانش آموزان قرار می دهد.
  • رگرسیون لجستیک

  • درختان تصمیم

  • جنگل تصادفی

  • بیز ساده

  • ماشین‌های بردار پشتیبانی (SVM)

این دوره دانش‌آموزان را با جنبه‌های کلیدی تکنیک‌های طبقه‌بندی پیشرفته آشنا می‌کند. ما قصد داریم 10 پروژه را از ابتدا با استفاده از مجموعه داده های دنیای واقعی بسازیم. در اینجا نمونه ای از پروژه هایی است که ما روی آنها کار خواهیم کرد:

  • یک طبقه‌بندی کننده هرزنامه ایمیل بسازید.

  • تجزیه و تحلیل احساسات را انجام دهید و نظرات مشتریان را برای محصولات Amazon Alexa تجزیه و تحلیل کنید.

  • نرخ بقای کشتی تایتانیک را بر اساس ویژگی‌های مسافر پیش‌بینی کنید.

  • رفتار مشتری را نسبت به تبلیغات بازاریابی هدفمند در فیس بوک پیش بینی کنید.

  • پیش‌بینی واجد شرایط بودن مشتریان بانک برای بازنشستگی با توجه به ویژگی‌هایی مانند سن و 401 هزار پس‌انداز.

  • بیماری های سرطان و کیفوز را پیش بینی کنید.

  • کشف تقلب در تراکنش‌های کارت اعتباری.

نکات مهم دوره:

  • این دوره جامع یادگیری ماشینی شامل بیش از 75 سخنرانی ویدئویی HD با بیش از 11 ساعت محتوای ویدئویی است.

  • این دوره شامل 10 پروژه عملی برنامه نویسی پایتون است که دانش آموزان می توانند به مجموعه پروژه های خود اضافه کنند.

  • بدون ریاضیات ترسناک، نظریه و شهود را به روشی واضح، ساده و آسان پوشش خواهیم داد.

  • همه نوت بوک ها (کدها) و اسلایدهای Jupyter ارائه شده است.

  • بیش از 10 سال تجربه در یادگیری ماشینی و یادگیری عمیق در هر دو محیط دانشگاهی و صنعتی در این دوره گردآوری شده است.

دانشجویانی که در این دوره ثبت‌نام می‌کنند، بر مدل‌های طبقه‌بندی یادگیری ماشین تسلط خواهند داشت و می‌توانند مستقیماً این مهارت‌ها را برای حل مشکلات چالش برانگیز دنیای واقعی به کار گیرند.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی و پیام خوش آمد گویی Introduction and Welcome Message

  • معرفی و پیام خوش آمد گویی [دانلود مطالب دوره] Introduction and Welcome Message [Course Material Download]

  • پاداش: مسیرهای یادگیری BONUS: Learning Paths

  • به‌روزرسانی‌های Udemy Reviews Updates on Udemy Reviews

  • بررسی اجمالی دوره Course Overview

  • مواد را دریافت کنید Get the Materials

یادگیری ماشینی چیست؟ تصویر بزرگ What is Machine Learning? The Big Picture

  • یادگیری ماشینی چیست؟ تصویر بزرگ قسمت شماره 1 What is Machine Learning? The Big Picture Part #1

  • یادگیری ماشینی چیست؟ تصویر بزرگ قسمت شماره 2 What is Machine Learning? The Big Picture Part #2

نصب و راه‌اندازی [اختیاری][اگر با نوت‌بوک‌های Jupyter آشنایی دارید، از آن صرفنظر کنید] Installation & Setup [Optional][Skip if you are familiar with Jupyter Notebooks]

  • Anaconda چیست و چگونه آن را دانلود کنیم؟ What is Anaconda and How to download it?

  • نوت بوک های Jupyter چیست؟ What are Jupyter Notebooks?

  • چگونه یک نوت بوک Jupyter را اجرا کنیم؟ How to run a Jupyter Notebook?

رگرسیون لجستیک Logistic Regression

  • رگرسیون لجستیک مقدمه و نتایج یادگیری Logistic Regression Introduction and Learning Outcomes

  • شهود رگرسیون لجستیک Logistic Regression Intuition

  • بررسی اجمالی ماتریس سردرگمی Confusion Matrix Overview

  • رگرسیون لجستیک - پروژه شماره 1 - بررسی اجمالی پروژه Logistic Regression - Project #1 - Project Overview

  • رگرسیون لجستیک - پروژه شماره 1 - بارگذاری داده ها Logistic Regression - Project #1 - Loading Data

  • رگرسیون لجستیک - پروژه شماره 1 - تجسم Logistic Regression - Project #1 - Visualization

  • رگرسیون لجستیک - پروژه شماره 1 - پاکسازی داده ها Logistic Regression - Project #1 - Data Cleaning

  • رگرسیون لجستیک - پروژه شماره 1 - پاکسازی داده قسمت 2 Logistic Regression - Project #1 - Data Cleaning part 2

  • رگرسیون لجستیک - پروژه شماره 1 - آموزش Logistic Regression - Project #1 - Training

  • رگرسیون لجستیک - پروژه شماره 1 - تست Logistic Regression - Project #1 - Testing

  • رگرسیون لجستیک - بررسی اجمالی پروژه شماره 2 Logistic Regression - Project #2 Overview

  • رگرسیون لجستیک - پروژه شماره 2 - وارد کردن داده ها Logistic Regression - Project #2 - Importing data

  • رگرسیون لجستیک - پروژه شماره 2 - تجسم داده ها Logistic Regression - Project #2 - Data visualization

  • رگرسیون لجستیک - پروژه شماره 2 - پاک کردن داده ها Logistic Regression - Project #2 - Cleaning data

  • رگرسیون لجستیک - پروژه شماره 2 - آموزش/آزمایش Logistic Regression - Project #2 - Training/Testing

  • رگرسیون لجستیک - پروژه شماره 2 - آزمایش/تجسم Logistic Regression - Project #2 - Testing/Visualization

ماشین های بردار پشتیبانی Support Vector Machines

  • معرفی ماشین‌های بردار پشتیبانی و نتایج یادگیری Support Vector Machines Intro and Learning Outcomes

  • ماشین‌های بردار پشتیبانی - شهود Support Vector Machines - Intuition

  • ماشین‌های بردار پشتیبانی - پروژه شماره 1 - بررسی اجمالی پروژه Support Vector Machines - Project #1 - Project Overview

  • ماشین‌های بردار پشتیبانی - پروژه شماره 1 - وارد کردن داده‌ها Support Vector Machines - Project #1 - Importing data

  • ماشین های بردار پشتیبانی - پروژه شماره 1 - تجسم داده ها Support Vector Machines - Project #1 - Data Visualization

  • ماشین های بردار پشتیبانی - پروژه شماره 1 - آموزش Support Vector Machines - Project #1 - Training

  • ماشین های بردار پشتیبانی - پروژه شماره 1 - تست Support Vector Machines - Project #1 - Testing

  • ماشین‌های بردار پشتیبانی - پروژه شماره 1 - بهبودها 1 Support Vector Machines - Project #1 - Improvements 1

  • ماشین‌های بردار پشتیبانی - پروژه شماره 1 - بهبودها 2 Support Vector Machines - Project #1 - Improvements 2

  • بررسی اجمالی پروژه شماره 2 Project #2 Overview

  • ماشین‌های بردار پشتیبانی - پروژه شماره 2 - واردات و تجسم داده‌ها Support Vector Machines - Project #2 - Data import and visualization

  • ماشین های بردار پشتیبانی - پروژه شماره 2 - آموزش و ارزیابی مدل Support Vector Machines - Project #2 - Training and evaluating the model

  • ماشین‌های بردار پشتیبانی - پروژه شماره 2 - بهبودها 1 Support Vector Machines - Project #2 - Improvements 1

  • ماشین‌های بردار پشتیبانی - پروژه شماره 2 - بهبودها 2 Support Vector Machines - Project #2 - Improvements 2

K-نزدیکترین همسایه ها K-Nearest Neighbors

  • K-نزدیکترین همسایگان مقدمه و نتایج یادگیری K-Nearest Neighbors Intro and Learning Outcomes

  • K-نزدیکترین همسایه ها - شهود K-Nearest Neighbors - Intuition

  • KNN - پروژه شماره 1 - نمای کلی پروژه KNN - Project #1 - Project overview

  • KNN - پروژه شماره 1 - وارد کردن و تمیز کردن داده ها KNN - Project #1 - Data import and cleaning

  • KNN - پروژه شماره 1 - آموزش/آزمایش KNN - Project #1 - Training/Testing

  • KNN - پروژه شماره 1 - تجسم مدل KNN - Project #1 - Model visualization

  • KNN - بررسی اجمالی پروژه شماره 2 KNN - Project #2 Overview

  • KNN - پروژه شماره 2 - تجسم داده ها KNN - Project #2 - Data Visualization

  • KNN - پروژه شماره 2 - آموزش KNN - Project #2 - Training

  • KNN - پروژه شماره 2 - ارزیابی KNN - Project #2 - Evaluation

درختان تصمیم و جنگل تصادفی Decision Trees and Random Forest

  • درختان تصمیم و مقدمه جنگل تصادفی و نتایج یادگیری Decision Trees and Random Forest Intro and Learning Outcomes

  • درختان تصمیم - شهود Decision Trees - Intuition

  • جنگل تصادفی - شهود Random Forest - Intuition

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 1 - بررسی اجمالی پروژه Decision Trees & Random Forest - Project #1 - Project Overview

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 1 - وارد کردن داده ها Decision Trees & Random Forest - Project #1 - Importing data

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 1 - تجسم Decision Trees & Random Forest - Project #1 - Visualization

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 1 - مهندسی ویژگی 1 Decision Trees & Random Forest - Project #1 - Feature Engineering 1

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 1 - مهندسی ویژگی 2 Decision Trees & Random Forest - Project #1 - Feature Engineering 2

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 1 - آموزش Decision Trees & Random Forest - Project #1 - Training

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 1 - ارزیابی Decision Trees & Random Forest - Project #1 - Evaluation

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 1 - بهبودها Decision Trees & Random Forest - Project #1 - Improvements

  • درختان تصمیم و جنگل تصادفی - بررسی اجمالی پروژه شماره 2 Decision Trees & Random Forest - Project #2 Overview

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 2 - بررسی اجمالی و راه اندازی Decision Trees & Random Forest - Project #2 - Overview and set up

  • Decision Trees & Random Forest - پروژه شماره 2 - آموزش پاکسازی داده/مدل Decision Trees & Random Forest - Project #2 - Data cleaning/Model training

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 3 - آموزش/آزمایش Decision Trees & Random Forest - Project #3 - Training/Testing

  • درختان تصمیم و جنگل تصادفی - پروژه شماره 2 - ارزیابی Decision Trees & Random Forest - Project #2 - Evaluation

طبقه بندی کننده های ساده لوح بیز Naive Bayes Classifiers

  • مقدمه ساده بیز و نتایج یادگیری Naive Bayes Intro and Learning Outcomes

  • شهود ساده بیز Naive Bayes Intuition

  • بیز ساده - ریاضیات Naive Bayes - Mathematics

  • پروژه شماره 1 - نمای کلی پروژه Project #1 - Project overview

  • پروژه شماره 1 - تجسم داده ها Project #1 - Data Visualization

  • پروژه شماره 1 - بردار شمارش Project #1 - Count vectorizer

  • پروژه شماره 1 - آموزش قسمت 1 Project #1 - Training part 1

  • پروژه شماره 1 - آموزش قسمت 2 Project #1 - Training part 2

  • پروژه شماره 1 - تست Project #1 - Testing

  • پروژه شماره 2 - بررسی اجمالی Project #2 - Overview

  • پروژه شماره 2 - وارد کردن داده ها Project #2 - Importing data

  • پروژه شماره 2 - آموزش/آزمون Project #2 - Training/Testing

  • پروژه شماره 2 - تست Project #2 - Testing

  • پروژه شماره 2 - بهبود Project #2 - Improvements

سخنرانی های جایزه Bonus Lectures

  • ***پاداش ویژه شما*** ***YOUR SPECIAL BONUS***

نمایش نظرات

نظری ارسال نشده است.

آموزش بوت کمپ طبقه بندی یادگیری ماشین در پایتون
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
11.5 hours
82
Udemy (یودمی) udemy-small
19 دی 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
8,731
4.4 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.