آموزش یادگیری ماشین کاربردی در R

Applied Machine Learning in R

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: مهارت های یادگیری ضروری ماشین را دریافت کنید و از آنها در شرایط زندگی واقعی استفاده کنید

چه چیزی را یاد می گیرید

  • درک مفاهیم اساسی مربوط به یادگیری ماشین
  • انجام اعتبار سنجی مدل برای ارزیابی پایداری مدل در مجموعه داده های مستقل
  • اجرای تکنیک های تجزیه و تحلیل رگرسیون پیشرفته: بهترین رگرسيون انتخاب زیر مجموعه، رگرسيون مجازات، رگرسيون PLS
  • انجام رگرسیون لجستیک و تجزیه و تحلیل تجزیه و تحلیل
  • تکنیک های طبقه بندی پیچیده را اعمال کنید: Bayes Naive، K نزدیکترین همسایه، پشتیبانی از دستگاه بردار، درخت تصمیم گیری
  • استفاده از شبکه های عصبی برای پیش بینی
  • از تجزیه و تحلیل اجزای اصلی برای تشخیص الگوهای در متغیرها استفاده کنید
  • انجام تجزیه خوشه ای به مشاهدات گروهی به کلاس های همگن

این دوره به شما آموزش عملی در یادگیری ماشین، با استفاده از برنامه R ارائه می دهد. در پایان دوره شما می دانید که چگونه از تکنیک های یادگیری گسترده ترین ماشین برای پیش بینی دقیق استفاده کنید و بینش های ارزشمند را از داده های خود دریافت کنید.

تمام روش های یادگیری ماشین توضیح داده شده، به طور دقیق، در مجموعه داده های واقعی زندگی می کنند. بنابراین شما سریع پیشرفت خواهید کرد و می توانید بلافاصله دانش خود را اعمال کنید - بدون نیاز به محاکمه دردناک و خطا برای تشخیص نحوه اجرای این یا این تکنیک در R. در مدت کوتاهی می توانید یک تخصص جامع در یادگیری ماشین داشته باشید.

مهارت های یادگیری ماشین بسیار ارزشمند است اگر قصد دارید یک شغل مانند تحلیلگر داده، دانشمند داده، محقق یا مهندس نرم افزار را تضمین کنید. بنابراین ممکن است زمان مناسب برای ثبت نام در این دوره باشد و شروع به ساخت مهارت های یادگیری ماشین خود را امروز!

بگذارید ببینیم چه چیزی را می خواهید در اینجا یاد بگیرید.

اول از همه، ما قصد داریم به بحث برخی از مفاهیم اساسی که شما باید قبل از انجام یادگیری ماشین باید کاملا بدانید. بنابراین ما در مورد تکنیک های نظارت بر نظارت بر ماشین های نظارت و نظارتی، در مورد تمایز بین پیش بینی و استنتاج، در مورد مدل های رگرسیون و طبقه بندی، و بالاتر از همه در مورد تجارت واریانس تعصب، یک مسئله حیاتی در یادگیری ماشین صحبت خواهیم کرد.

بعد ما درباره اعتبار سنجی متقابل یاد خواهیم گرفت. این موضوع مهم مهم است، زیرا در یادگیری ماشین ما باید بتوانیم مدل ما را بر روی مجموعه داده های مستقل تست و اعتبار دهیم (همچنین به نام داده های اول دیده می شود). بنابراین ما قصد داریم مزایا و معایب سه روش اعتبار سنجی متقابل را ارائه دهیم.

پس از دو بخش اول مقدماتی، ما به مطالعه تکنیک های یادگیری نظارت بر ماشین می پردازیم. ما با تکنیک های رگرسیون شروع خواهیم کرد، جایی که متغیر پاسخ کمی است. و نه، ما نمی خواهیم به رگرسیون کلاسیک OLS متصل شویم که احتمالا قبلا می دانید. ما تکنیک های رگرسیون پیچیده مانند رگرسیون گام به گام (به جلو و عقب)، رگرسیون جریمه ای (رج و لسو) و رگرسیون کمترین مربعات جزئی را بررسی خواهیم کرد. و البته، ما همه آنها را در R، با استفاده از مجموعه داده های واقعی نشان خواهیم داد.

پس از آن ما به تکنیک های طبقه بندی می رویم، بسیار مفید است، زمانی که ما باید یک متغیر قطعی را پیش بینی کنیم. در اینجا ما رگرسیون لجستیک (کلاسیک و لازو)، تجزیه و تحلیل تشخیص (خطی و درجه دوم)، تکنیک Bayes Bayes، K نزدیکترین همسایه، ماشین بردار پشتیبانی، درخت تصمیم گیری و شبکه های عصبی را مطالعه خواهیم کرد.

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

* کوتاه، آسان برای درک مقدمه نظری (بدون ریاضیات پیچیده)

* نحوه آموزش مدل پیش بینی شده در R

* نحوه تست مدل برای اطمینان از اینکه کار پیش بینی خوبی در مجموعه داده های مستقل انجام می دهد.

در بخش های آخر، ما دو تکنیک یادگیری ماشین بدون نظارت را مطالعه خواهیم کرد: تجزیه و تحلیل مولفه اصلی و تجزیه و تحلیل خوشه ای. آنها تکنیک های داده کاوی قدرتمند هستند که به شما اجازه می دهد تا الگوهای خود را در داده ها یا متغیرهای خود تشخیص دهید.

برای هر تکنیک، تعدادی از تمرینات عملی پیشنهاد شده است. با انجام این تمرینات، شما واقعا در عمل آنچه آموخته اید، اعمال می شود.

این دوره فرصت شما برای تبدیل شدن به یک متخصص یادگیری ماشین در چند هفته تنها است! با سخنرانی های ویدئویی من، شما آن را بسیار آسان برای استاد تکنیک های یادگیری ماشین بزرگ است. همه چیز زنده است، گام به گام، بنابراین شما می توانید هر روش را در هر زمانی که به آن نیاز دارید تکرار کنید.

پس روی دکمه «ثبت نام» کلیک کنید تا دسترسی سریع به دوره یادگیری ماشین خود را دریافت کنید. مطمئنا شما را با مهارت های بی ارزش جدید به شما ارائه می دهد. و، چه کسی می داند، می تواند در آینده نزدیک به شما یک افزایش حرفه ای حرفه ای بدهد.

شما را در داخل ببینید!

چه کسی این دوره است:

  • تحلیلگران داده
  • دانشمندان داده
  • محققان
  • دانش آموزان

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

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.

آموزش یادگیری ماشین کاربردی در R
جزییات دوره
8h 10m
80
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
18,973
4.4 از 5
ندارد
ندارد
ندارد
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.