آموزش یادگیری ماشین کاربردی در R

دانلود Applied Machine Learning in R

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: مهارت‌های یادگیری ماشین ضروری را بدست آورید و از آنها در موقعیت‌های واقعی استفاده کنید. انجام رگرسیون لجستیک و تجزیه و تحلیل متمایز استفاده از تکنیک های طبقه بندی پیچیده: ساده بیز، K نزدیکترین همسایه، ماشین بردار پشتیبان، درخت تصمیم استفاده از شبکه های عصبی برای پیش بینی استفاده از تحلیل مولفه های اصلی برای تشخیص الگوها در متغیرها انجام تجزیه و تحلیل خوشه ای برای گروه بندی مشاهدات در طبقات همگن پیش نیازها :آشنایی با برنامه R دانش پایه آمار و تجزیه و تحلیل آماری

این دوره آموزش عملی یادگیری ماشین را با استفاده از برنامه R به شما ارائه می دهد. در پایان دوره، می‌دانید که چگونه از رایج‌ترین تکنیک‌های یادگیری ماشینی برای پیش‌بینی‌های دقیق و به دست آوردن بینش ارزشمند از داده‌های خود استفاده کنید.

همه رویه‌های یادگیری ماشینی به‌طور مستقیم و با جزئیات در مجموعه داده‌های واقعی توضیح داده شده‌اند. بنابراین به سرعت پیشرفت خواهید کرد و می‌توانید فوراً دانش خود را به کار ببرید - بدون نیاز به آزمون و خطای دردناک برای کشف نحوه پیاده‌سازی این یا آن تکنیک در R. در مدت زمان کوتاهی می‌توانید تخصص قوی در یادگیری ماشین داشته باشید.

مهارت های یادگیری ماشین بسیار ارزشمند هستند اگر قصد دارید شغلی مانند تحلیلگر داده، دانشمند داده، محقق یا حتی مهندس نرم افزار را ایمن کنید. بنابراین ممکن است زمان مناسبی باشد که شما در این دوره ثبت نام کنید و همین امروز شروع به ایجاد شایستگی های یادگیری ماشینی خود کنید!

بیایید ببینیم در اینجا قرار است چه چیزی یاد بگیرید.

قبل از هر چیز، ما قصد داریم در مورد برخی از مفاهیم اساسی صحبت کنیم که قبل از انجام یادگیری ماشینی باید کاملاً بدانید. بنابراین، ما در مورد تکنیک‌های یادگیری ماشینی نظارت‌شده و بدون نظارت، در مورد تمایزات بین پیش‌بینی و استنتاج، در مورد مدل‌های رگرسیون و طبقه‌بندی و مهم‌تر از همه، در مورد مبادله بایاس واریانس، موضوعی حیاتی در یادگیری ماشین صحبت خواهیم کرد.

در ادامه با اعتبارسنجی متقابل آشنا خواهیم شد. این یک موضوع بسیار مهم است، زیرا در یادگیری ماشینی باید بتوانیم مدل خود را بر روی مجموعه‌های داده مستقل (که داده‌های اولین دیده نیز نامیده می‌شود) آزمایش و اعتبار سنجی کنیم. بنابراین ما قصد داریم مزایا و معایب سه رویکرد اعتبارسنجی متقابل را ارائه کنیم.

پس از دو بخش مقدماتی اول، به مطالعه تکنیک‌های یادگیری ماشینی تحت نظارت خواهیم پرداخت. ما با تکنیک های رگرسیون شروع می کنیم، جایی که متغیر پاسخ کمی است. و نه، ما به رگرسیون OLS کلاسیک که احتمالاً قبلاً می‌دانید پایبند نیستیم. ما تکنیک های رگرسیون پیچیده مانند رگرسیون گام به گام (به جلو و عقب)، رگرسیون جریمه شده (رج و کمند) و رگرسیون حداقل مربعات جزئی را مطالعه خواهیم کرد. و البته، ما همه آنها را با استفاده از مجموعه داده های واقعی در R نشان خواهیم داد.

بعد از آن به سراغ تکنیک‌های طبقه‌بندی می‌رویم، زمانی که باید یک متغیر طبقه‌بندی را پیش‌بینی کنیم، بسیار مفید است. در اینجا ما رگرسیون لجستیک (کلاسیک و کمند)، تجزیه و تحلیل متمایز (خطی و درجه دوم)، تکنیک بیز ساده، K نزدیک‌ترین همسایه، ماشین بردار پشتیبان، درخت‌های تصمیم‌گیری و شبکه‌های عصبی را مطالعه می‌کنیم.

برای هر تکنیک بالا، ساختار ارائه به صورت زیر است:

* مقدمه نظری کوتاه و قابل فهم (بدون ریاضیات پیچیده)

* نحوه آموزش مدل پیش بینی در R

* چگونه مدل را آزمایش کنیم تا مطمئن شویم که کار پیش بینی خوبی در مجموعه داده های مستقل انجام می دهد.

در بخش‌های آخر دو تکنیک یادگیری ماشینی بدون نظارت را مطالعه می‌کنیم: تجزیه و تحلیل مؤلفه اصلی و تجزیه و تحلیل خوشه‌ای. آنها تکنیک های داده کاوی قدرتمندی هستند که به شما امکان می دهند الگوها را در داده ها یا متغیرهای خود تشخیص دهید.

برای هر تکنیک، تعدادی تمرین عملی پیشنهاد شده است. با انجام این تمرینات شما در عمل آنچه را که آموخته اید به کار خواهید برد.

این دوره فرصتی برای شماست تا در عرض چند هفته به یک متخصص یادگیری ماشین تبدیل شوید! با سخنرانی‌های ویدیویی من، تسلط بر تکنیک‌های اصلی یادگیری ماشین بسیار آسان است. همه چیز به صورت زنده، گام به گام نشان داده می شود، بنابراین می توانید هر روشی را در هر زمانی که نیاز دارید تکرار کنید.

بنابراین برای دسترسی فوری به دوره یادگیری ماشین خود، روی دکمه "ثبت نام" کلیک کنید. مطمئناً مهارت های گرانبهای جدیدی را در اختیار شما قرار می دهد. و چه کسی می‌داند، می‌تواند در آینده نزدیک به شما پیشرفت شغلی فوق‌العاده‌ای بدهد.

می بینمت داخل!


سرفصل ها و درس ها

شروع شدن Getting Started

  • معرفی Introduction

مسائل کلیدی در یادگیری ماشین Key Issues in Machine Learning

  • یادگیری ماشین چیست؟ What Is Machine Learning?

  • نظارت بر روش های نظارتی در مقابل Supervised vs. Unsupervised Methods

  • پیش بینی در مقابل استنتاج Prediction vs. Inference

  • مدل های محدود کننده در مقابل مدل های انعطاف پذیر Restrictive Models vs. Flexible Models

  • محاسبه پیش بینی پیش بینی مدل های رگرسیون Computing Prediction Accuracy of Regression Models

  • محاسبات پیش بینی دقت مدل های طبقه بندی Computing Prediction Accuracy of Classification Models

  • اختلاف نظر واریانس Bias-Variance Tradeoff

اعتبار سنجی متقابل Cross-Validation

  • اعتبار متقابل چیست؟ What Is Cross-Validation?

  • روش اعتبار سنجی Validation Set Approach

  • رویکرد متقابل متقابل را ترک کنید Leave-One-Out Cross-Validation Approach

  • رویکرد اعتبار سنجی K برابر K-Fold Cross-Validation Approach

رگرسیون کمترین مربعات معمولی Ordinary Least Squares Regression

  • مقدمه ای بر رگرسیون OLS Introduction to the OLS Regression

  • اعتبار سنجی مدل رگرسیون OLS (1) Validating the OLS Regression Model (1)

  • اعتبار سنجی مدل رگرسیون OLS (2) Validating the OLS Regression Model (2)

بهترین رگرسیون زیر مجموعه Best Subset Regression

  • بهترین رگرسیون انتخاب زیر مجموعه - مقدمه Best Subset Selection Regression - Introduction

  • رگرسیون انتخابی پیش رو Forward Selection Regression

  • رگرسیون انتخابی عقب مانده Backward Selection Regression

  • تایید رگرسیون انتخاب زیر مجموعه Validating the Subset Selection Regression

رگرسیون مجازات Penalized Regression

  • رگرسيون ريج Ridge Regression

  • اعتبار سنجی رگرسیون ردیف Validating the Ridge Regression

  • رگرسیون لسو Lasso Regression

  • اعتبار رگرسیون لسو Validating the Lasso Regression

رگرسيون حداقل مربعات جزئی Partial Least Squares Regression

  • مقدمه ای بر رگرسیون PLS Introduction to PLS Regression

  • اعتبار سنجی رگرسیون PLS Validating the PLS Regression

رگرسیون لجستیک Logistic Regression

  • مقدمه ای بر رگرسیون لجستیک Introduction to Logistic Regression

  • محاسبه دقت پیش بینی Computing the Prediction Accuracy

  • ساخت منحنی ROC Building the ROC Curve

  • اعتبار رگرسیون لجستیک Validating the Logistic Regression

  • رگرسيون لجستيک لسو Lasso Logistic Regression

  • اعتبار رگرسیون لجستیک Lasso Validating the Lasso Logistic Regression

تجزیه و تحلیل تجزیه و تحلیل Discriminant Analysis

  • تجزیه و تحلیل خطی خطی Linear Discriminant Analysis

  • اعتبار سنجی خطی Validating the Linear Discriminant

  • تجزیه و تحلیل تشخیصی درجه دوم Quadratic Discriminant Analysis

  • تایید تبعیض درجه دوم Validating the Quadratic Discriminant

برآورد بیضه بیضه Naive Bayes Estimation

  • مقدمه ای بر برآورد بیابان بیضه Introduction to Naive Bayes Estimation

  • برآورد Bayes Bayes در R با بسته E1071 Naive Bayes Estimation in R with the e1071 Package

  • اعتبار مدل Bayes Naive Validating the Naive Bayes Model

  • برآورد بیضهای بیضه در R با بسته naivebayes Naive Bayes Estimation in R with the naivebayes Package

K نزدیکترین همسایه K-Nearest Neighbor

  • مقدمه ای بر نزدیکی نزدیکترین همسایه Introduction to K Nearest Neighbor

  • K نزدیکترین همسایه در R K Nearest Neighbor in R

  • پیدا کردن تعداد مطلوب همسایگان Finding the Optimal Number of Neighbors

پشتیبانی از دستگاه بردار Support Vector Machine

  • حداکثر طبقه بندی مارجین Maximal Margin Classifier

  • پشتیبانی از طبقه بندی بردار Support Vector Classifier

  • مقدمه ای بر پشتیبانی از دستگاه بردار Introduction to Support Vector Machine

  • پشتیبانی از دستگاه بردار با هسته خطی Support Vector Machine with Linear Kernel

  • پشتیبانی از دستگاه بردار با هسته چندجملهای Support Vector Machine with Polynomial Kernel

  • پشتیبانی از دستگاه بردار با هسته شعاعی Support Vector Machine with Radial Kernel

درخت تصمیم گیری (سبد خرید) Decision Trees (CART)

  • درختان تصمیم گیری چیست؟ What Are Decision Trees?

  • مقدمه ای بر سبد خرید Introduction to CART

  • مزایا و معایب درخت تصمیم گیری Advantages and Disadvantages of Decision Trees

  • درختان رگرسیون در حال رشد در R Growing Regression Trees in R

  • درختان طبقه بندی در حال رشد در R Growing Classification Trees in R

  • مقدمه ای بر هرس Introduction to Pruning

  • درختان رگرسیون هرس در R Pruning Regression Trees in R

  • درختان طبقه بندی هرس در R Pruning Classification Trees in R

  • معرفی جنگل های کیسه ای و تصادفی Introduction to Bagging and Random Forests

  • درختان رگرسیون کیسه ای در R Bagging Regression Trees in R

  • کیسه های طبقه بندی کیسه ای در R Bagging Classification Trees in R

  • جنگل های تصادفی درختان رگرسیون در R Random Forests of Regression Trees in R

  • جنگل های تصادفی درختان طبقه بندی در R Random Forests of Classification Trees in R

  • مقدمه برای تقویت Introduction to Boosting

  • افزایش درختان رگرسیون Boosting Regression Trees

  • افزایش طبقه بندی درختان Boosting Classification Trees

یک آغازگر در شبکه های عصبی A Primer in Neural Networks

  • تعریف شبکه های عصبی Definition of Neural Networks

  • چه اتفاقی می افتد در داخل یک نورون؟ What Happens Inside of a Neuron?

  • فرایند یادگیری شبکه عصبی Neural Network Learning Process

  • یک مثال شبکه عصبی ساده A Simple Neural Network Example

  • مثال شبکه عصبی عملی Practical Neural Network Example

  • مثال شبکه عصبی عملی (2) Practical Neural Network Example (2)

تجزیه و تحلیل مولفه اصلی Principal Component Analysis

  • مقدمه ای بر تجزیه و تحلیل مولفه اصلی Introduction to Principal Component Analysis

  • اجرای تجزیه و تحلیل مولفه اصلی Executing the Principal Component Analysis

  • انجام آزمون های کفایت Performing the Adequacy Tests

آنالیز خوشه ای Cluster Analysis

  • مقدمه ای بر تجزیه و تحلیل خوشه ای Introduction to Cluster Analysis

  • خوشه سلسله مراتبی Hierarchical Cluster

  • k-means خوشه K-Means Cluster

تمرین Practice

  • اولین بار مرا بخوان Read Me First

  • توضیحات داده ها Data Sets Descriptions

  • تمرینات عملی Practical Exercises

لینک های دانلود Download Links

  • منابع خود را اینجا دانلود کنید Download Your Resources Here

نمایش نظرات

آموزش یادگیری ماشین کاربردی در R
جزییات دوره
8 hours
80
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
24,124
4.8 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

Bogdan Anastasiei Bogdan Anastasiei

مدرس و مشاور دانشگاه نام من بوگدان آناستازئی است و استادیار دانشگاه ایاسی رومانی ، دانشکده اقتصاد و مدیریت بازرگانی هستم. من بازاریابی اینترنتی و روشهای کمی را برای تجارت آموزش می دهم. من همچنین یک مشاور بازرگانی هستم. من تجزیه و تحلیل ریسک کمی و مطالعات امکان سنجی را برای مشاغل مختلف محلی انجام داده ام و در پروژه های دانشگاهی در مورد تجزیه و تحلیل ریسک و تجزیه و تحلیل بازاریابی مثر است. من همچنین دوره ها و مقالاتی در مورد بازاریابی اینترنتی و فنون ارتباط آنلاین نوشتم. من 24 سال سابقه تدریس و حدود 15 سال سابقه مشاوره بازرگانی دارم.