آموزش علم داده و اصول گرایش ماشین برای علم

دانلود Data Science and Machine Leaning Principles for Science

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      توضیحات دوره: آشنایی با اصول و مبانی داده ها و یادگیری ماشینی برای مسائل علمی آشنایی با مفاهیم علم داده و یادگیری ماشین و نحوه استفاده از آنها در علم شناخت الگوریتم های اصلی مورد استفاده در وظایف طبقه بندی، رگرسیون و خوشه بندی شناخت معماری های اصلی عصبی شبکه ها درک نحوه استفاده از الگوریتم ها/تحلیل ها در پروژه های علمی/تحقیقات/مطالعات پیش نیازها:دانش پایه ریاضی مطلوب است.

      دوره "اصول علم داده و یادگیری ماشین برای علم" برای ارتباط رشته های علمی سنتی با زمینه های در حال رشد سریع علوم داده (DS) و یادگیری ماشین (ML) طراحی شده است. از آنجایی که تحقیقات به طور فزاینده ای به مجموعه داده های بزرگ و روش های محاسباتی پیشرفته بستگی دارد، برای دانشمندان ضروری است که بدانند چگونه از تکنیک های DS و ML برای بهبود کار خود استفاده کنند.

      این دوره مقدمه ای جامع بر مفاهیم کلیدی علم داده و یادگیری ماشین ارائه می دهد که به طور خاص برای دانشمندان و محققان در زمینه هایی مانند زیست شناسی، شیمی، فیزیک و علوم محیطی هدف قرار می گیرد. شرکت‌کنندگان قبل از رفتن به الگوریتم‌های یادگیری ماشینی که می‌تواند به شناسایی الگوها و پیش‌بینی از داده‌ها کمک کند، اصول اولیه تجزیه و تحلیل داده‌ها از جمله جمع‌آوری، تمیز کردن و تجسم داده‌ها را یاد خواهند گرفت.

      این دوره به هیچ مهارت برنامه نویسی نیاز ندارد و بر مفاهیم نظری اساسی تمرکز دارد. این به شش بخش اصلی ساختار یافته است:

      1. مقدمه

      ما با معرفی دوره شروع می‌کنیم، ویژگی‌های اصلی، محتوا و نحوه پیگیری آن را پوشش می‌دهیم.

      2. مفاهیم اصلی DS/ML

      به مفاهیم اساسی مانند متغیرها، مقیاس‌بندی داده‌ها، آموزش، مجموعه داده‌ها و تجسم داده‌ها خواهیم پرداخت.

      3. طبقه بندی

      در این بخش، الگوریتم‌های طبقه‌بندی کلیدی مانند درخت‌های تصمیم، جنگل‌های تصادفی، Naive Bayes و KNN را با مثال‌هایی از نحوه استفاده از آنها در تحقیقات علمی مورد بحث قرار خواهیم داد.

      4. رگرسیون

      ما به طور خلاصه رگرسیون خطی و چندگانه خطی را پوشش می‌دهیم، ایده‌های اصلی را مورد بحث قرار می‌دهیم و مثال‌های مرتبط با علم ارائه می‌کنیم.

      5. خوشه بندی

      این بخش بر روی روش‌های خوشه‌بندی استاندارد و سلسله مراتبی، همراه با مثال‌های عملی برای کاربردهای علمی تمرکز خواهد کرد.

      6. شبکه های عصبی

      در نهایت، شبکه‌های عصبی را معرفی می‌کنیم و الهام‌بخش بیولوژیکی آن‌ها و معماری‌های رایج مانند شبکه‌های عصبی پیشخور (FNN)، شبکه‌های عصبی کانولوشنال (CNN)، شبکه‌های عصبی تکراری (RNN) و شبکه‌های هاپفیلد را مورد بحث قرار می‌دهیم.


      سرفصل ها و درس ها

      معرفی دوره Course introduction

      • به دوره خوش آمدید Welcome to the course

      • نحوه تماشای دوره How to watch the course

      مفاهیمی در مورد داده ها، متغیرها و مقدمه ML Concepts about data, variables, and intro to ML

      • هدف علم داده و یادگیری ماشین The objective of data science and machine learning

      • انواع مختلف متغیرها Different types of variables

      • تبدیل داده های طبقه بندی شده به داده های عددی Transforming categorical data into numerical data

      • نرمال سازی/مقیاس سازی داده ها Data normalization/scaling

      • یادگیری تحت نظارت/بدون نظارت Supervised/unsupervised learning

      • برخی از جزئیات در مورد آموزش Some details about training

      • تجسم داده ها با نمودارها: بخش 1 Visualizing data with graphs: part 1

      • تجسم داده ها با نمودارها: بخش 2 Visualizing data with graphs: part 2

      • کاهش ابعاد و PCA (تحلیل اجزای اصلی) Dimensionality reduction and PCA (Principal component Analysis)

      • مطالعه موردی واقعی: PCA برای تجزیه و تحلیل آلودگی فلزات سنگین Real case study: PCA to analyze heavy metal pollution

      • سوالات در مورد داده ها Questions about data

      یادگیری ماشینی: طبقه بندی Machine Learning: classification

      • مقدمه ای بر طبقه بندی Introduction to classification

      • ارزیابی الگوریتم های طبقه بندی Evaluation of classification algorithms

      • الگوریتم ساده بیز: مقدمه The naive Bayes algorithm: introduction

      • ساده لوح بیز: تصحیح لاپلاسی Naive Bayes: Laplacian correction

      • الگوریتم ساده بیز بیز: کاربردها/نمونه هایی در علم The naive Bayes algorithm: applications/examples in science

      • درختان تصمیم: بخش 1 Decision trees: part 1

      • درختان تصمیم: آنتروپی و کسب اطلاعات Decision trees: Entropy and gain of information

      • جنگل تصادفی: افزایش نسبت به درختان تصمیم گیری ساده Random forest: an enhancement over simple decision trees

      • جنگل تصادفی: یک مثال علمی: فراهمی زیستی دارو Random Forest: a scientific example: drug bioavailability

      • الگوریتم KNN: مقدمه The KNN algorithm: introduction

      • الگوریتم KNN: محاسبه فاصله The KNN algorithm: distance calculation

      • KNN: نمونه های علمی KNN: scientific examples

      • ماشین‌های بردار پشتیبانی (SVM): مقدمه Support Vector Machines (SVM): Introduction

      • حاشیه در ماشین‌های بردار پشتیبانی The margin in Support Vector Machines

      • ماشین‌های بردار پشتیبانی (SVM): نمونه‌های علمی Support Vector Machines (SVM): scientific examples

      • مطالعه موردی واقعی: جنگل تصادفی برای ارزیابی تشخیص دیابت شیرین Real case study: Random forest to evaluate Diabetes Mellitus diagnosis

      • سوالات طبقه بندی Classification questions

      یادگیری ماشین: رگرسیون Machine Learning: regression

      • رگرسیون: مقدمه Regression: introduction

      • رگرسیون خطی ساده: مقدمه Simple linear regression: introduction

      • رگرسیون خطی چندگانه: مقدمه Multiple linear regression: introduction

      • سوالات رگرسیون Regression questions

      یادگیری ماشینی: خوشه بندی Machine Learning: clustering

      • مقدمه ای بر خوشه بندی و الگوریتم K-means: بخش 1 Introduction to clustering and K-means algorithm: part 1

      • الگوریتم K-means: بخش 2 The K-means algorithm: part 2

      • یک مثال علمی برای خوشه بندی A scientific example for clustering

      • خوشه بندی سلسله مراتبی: نظریه Hierarchical clustering: theory

      • خوشه بندی سلسله مراتبی: طبقه بندی حشرات Hierarchical clustering: insect classification

      • مطالعه موردی واقعی: K-means و DBSCAN برای تجزیه و تحلیل آب و هوای جغرافیایی Real case study: K-means and DBSCAN for geospatial weather analysis

      • سوالات خوشه بندی Clustering questions

      مقدمه ای بر شبکه های عصبی Introduction to neural networks

      • مقدمه ای بر شبکه های عصبی پایه و الهام بیولوژیکی Introduction to basic neural networks and biological inspiration

      • نمونه هایی از کاربرد شبکه های عصبی در علم Examples of uses of neural networks in science

      • مقدمه ای بر شبکه های عصبی پایه: بخش 2 Introduction to basic neural networks: part 2

      • مقدمه ای بر شبکه های عصبی پایه: بخش 3 Introduction to basic neural networks: part 3

      • شبکه های عصبی کانولوشنال و الهام از آنها در قشر بینایی Convolutional neural networks and their inspiration in the visual cortex

      • شبکه های عصبی کانولوشنال: بخش 2 Convolutional neural networks: part 2

      • شبکه های عصبی مکرر: بخش 1 Recurrent neural networks: part 1

      • شبکه های عصبی مکرر: بخش 2 Recurrent neural networks: part 2

      • شبکه های هاپفیلد به عنوان مدلی از حافظه انسان: مروری کوتاه Hopfield networks as a model of the human memory: a brief overview

      • مقدمه ای بر شبکه های عصبی مایع و بهبود آنها بر اساس نورون ها Introduction to liquid neural networks and their improvements based on neurons

      • سوالاتی در مورد شبکه های عصبی Questions about neural networks

      نتیجه گیری Conclusion

      • سخنان پایانی Concluding remarks

      نمایش نظرات

      آموزش علم داده و اصول گرایش ماشین برای علم
      جزییات دوره
      4 hours
      48
      Udemy (یودمی) Udemy (یودمی)
      (آخرین آپدیت)
      122
      4.4 از 5
      ندارد
      دارد
      دارد
      جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

      Google Chrome Browser

      Internet Download Manager

      Pot Player

      Winrar

      Jones Granatyr Jones Granatyr

      استاد اولا! 10 مورد از جونز گراناتیر و ترابیلو در 10 سال گذشته است که شامل Inteligência Artificial (IA) می باشد استاد حرفه ای ، پشکیزادور و بنیانگذار پورتال IA Expert ، وب سایت com conteúdo específico sobre Inteligência Artificial. Desde que iniciei na Udemy criei vários cursos sobre diversos assuntos de IA، como as exemplolo: یادگیری عمیق ، یادگیری ماشین ، علم داده ، Redes Neurais Artificiais، Algoritmos Genéticos، Detecção e Reconhecimento Facial، Algoritmos de cesos، Busca ، Mineração de Regras de Associação ، Sistemas Especialistas e Sistemas de Recomendação. اگر بخواهید از طریق برنامه های مختلف زبان (Python ، R e Java) و یا فن آوری های مختلف (tensorflow ، keras ، pandas ، sklearn ، opencv ، dlib ، weka ، nltk ، به عنوان مثال) استفاده کنید. با توجه به هدف اصلی و دستیابی به اطلاعات IA و مجوز فعالیت در TI و متقاضیان ، به عنوان تجدید نظر در زمینه استفاده از قوانین و مقررات و امکان مشاهده تجدید نظرهای جدید در زمینه مشروبات الکلی ارائه می شود.

      Guilherme Matos Passarini, phD Guilherme Matos Passarini, phD

      ProfessorEnglish: سلام، اسم من Guilherme است، لیسانس علوم زیستی، فوق لیسانس زیست شناسی تجربی و Ph.D. همچنین در زیست شناسی تجربی، هر دو از دانشگاه فدرال Rondonia (برزیل). حوزه اصلی تحقیق من جستجوی ترکیباتی است که علیه انگل های مالاریا و لیشمانیوز فعال هستند. من همچنین مدتی است که برنامه نویسی می کنم، به خصوص در زبان های برنامه نویسی Python و R. علایق اصلی من زیست شناسی، بیوتکنولوژی، برنامه نویسی، شیمی دارویی و هوش مصنوعی است. بنابراین هدف اصلی من در اینجا در Udemy گسترش دانش مربوط به این مناطق به مردم در سراسر جهان است. پرتغالی: Bacharel e licenciado em Ciências Biológicas pela Universidade Federal de Rondonia, mestre em Biologia Experimental pela Universidade Federal de Rondonia و Doutor Também em Biologia Experimental pela Universidade Federal de Rondonia. Desenvolveu seus trabalhos de iniciação científica e mestrado na busca de moléculas de plantas bioativas contra os parasitas da malária e leishmaniose، tendo trabalhado com fitoquímica and ensaios antiparasitários in vitro. بدون انجام نهایی، بیوانفورماتیک، داروهای دارویی و برنامه‌ریزی‌شده، برنامه‌های کاربردی آلگان‌های بیوانفورماتیک و کویمیوانفورماتیک برای کمک‌رسانی به ضد مالاریا در دسکوببرتا. تجربه‌ای را به‌عنوان زبان‌شناس پایتون و R، و برنامه‌نویسی با جاوا اسکریپت شروع کنید. Seu projeto de doutorado se constitui em avaliar um composto antimalárico já testado durante o mestrado de forma mais aprofundada contra o parasita da malária, realando análises virtuais, como verificação de características físico-quíae virtuale do parasita) e ensaios em placas de cultura.

      AI Expert Academy AI Expert Academy

      مربی