یادگیری ماشینی با پروژه های دنیای واقعی [ویدئو]

Machine Learning with Real World Projects [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آیا می خواهید یک دانشمند داده خوب شوید؟ سپس این یک دوره مناسب برای شما است. این دوره توسط متخصصان IIT که در ریاضیات و علوم داده تسلط دارند طراحی شده است. ما تئوری پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به روشی بسیار ساده پوشش خواهیم داد که برای هر مبتدی نیز به راحتی قابل درک است. ما شما را قدم به قدم وارد دنیای یادگیری ماشینی خواهیم کرد. با هر آموزش مهارت های جدیدی را توسعه می دهید و درک خود را از این زیر شاخه چالش برانگیز و در عین حال پرسود علم داده از سطح مبتدی تا پیشرفته بهبود می بخشید. ما در طول این دوره چند مشکل Kaggle را حل کرده ایم و راه حل های کاملی ارائه کرده ایم تا دانش آموزان بتوانند به راحتی در وب سایت های مسابقات دنیای واقعی به رقابت بپردازند. تمامی کدها و فایل های پشتیبانی این دوره در آدرس زیر موجود است: https://github.com/PacktPublishing/Machine-Learning-with-Real-World-Projects Master Machine Learning در پایتون آموزش استفاده از MatplotLib برای ترسیم پایتون یاد بگیرید که از Numpy و Pandas برای تجزیه و تحلیل داده استفاده کنید یاد بگیرید که از Seaborn برای نمودارهای آماری استفاده کنید تمام ریاضیات مورد نیاز برای درک الگوریتم های یادگیری ماشین را بیاموزید پیاده سازی الگوریتم های یادگیری ماشین همراه با شهود ریاضی پروژه های Kaggle Level با راه حل های کامل گنجانده شده است آموزش راه حل های علوم داده پایان به پایان همه الگوریتم‌ها و تکنیک‌های یادگیری ماشین در سطح پیشرفته مانند تنظیم‌سازی، تقویت، بسته‌بندی و بسیاری موارد دیگر گنجانده شده است. همه مفاهیم آماری را برای ایجاد نینزا در یادگیری ماشینی بیاموزید مطالعات موردی در دنیای واقعی معیارهای عملکرد مدل یادگیری عمیق انتخاب مدل هر کسی که می خواهد حرفه خود را در علم داده/یادگیری ماشین ایجاد کند، یادگیری ماشین را با مطالعات موردی در دنیای واقعی بیاموزد * تئوری پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به روشی بسیار ساده بیاموزید.

سرفصل ها و درس ها

رگرسیون خطی ساده Simple Linear Regression

  • نصب Anaconda و استفاده از Jupyter Notebook Installing Anaconda & using Jupyter Notebook

  • مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • انواع یادگیری ماشینی Types Of Machine Learning

  • مقدمه ای بر رگرسیون خطی (LR) Introduction to Linear Regression (LR)

  • LR چگونه کار می کند How LR Works

  • کمی سرگرمی با ریاضیات پشت LR Some Fun with Maths Behind LR

  • میدان آر R Square

  • مطالعه موردی LR قسمت 1 LR Case Study Part1

  • مطالعه موردی LR قسمت 2 LR Case Study Part2

  • مطالعه موردی LR قسمت 3 LR Case Study Part3

  • خطای مربع باقیمانده (RSE) Residual Square Error (RSE)

رگرسیون خطی چندگانه Multiple Linear Regression

  • معرفی Introduction

  • مطالعه موردی قسمت 1 Case study Part1

  • مطالعه موردی قسمت 2 Case study Part2

  • مطالعه موردی قسمت 3 Case study Part3

  • مربع R تنظیم شده Adjusted R Square

  • مطالعه موردی قسمت 1 Case Study Part1

  • مطالعه موردی قسمت 2 Case Study Part2

  • مطالعه موردی قسمت 3 Case Study Part3

  • مطالعه موردی قسمت 4 Case Study Part4

  • مطالعه موردی قسمت 5 Case Study Part5

  • مطالعه موردی قسمت 6 (RFE) Case study Part6 (RFE)

Hotstar، Netflix مطالعه موردی دنیای واقعی برای رگرسیون خطی چندگانه Hotstar, Netflix Real world Case Study for Multiple Linear Regression

  • مقدمه ای بر بیان مسئله Introduction to The Problem Statement

  • بازی با دیتا Playing with Data

  • مدل ساختمان Part1 Building Model Part1

  • مدل ساختمان Part2 Building Model Part2

  • مدل ساختمان Part3 Building Model Part3

  • تایید مدل Verification of Model

گرادیان نزول Gradient Descent

  • پیش نیاز برای Gradient Descent part1 Pre-req for Gradient Descent part1

  • پیش نیاز برای Gradient Descent part2 Pre-req for Gradient Descent part2

  • توابع هزینه Cost Functions

  • تعریف توابع هزینه به صورت رسمی تر Defining Cost Functions more formally

  • گرادیان نزول Gradient Descent

  • بهينه سازي Optimisation

  • فرم بسته در مقابل نزول گرادیان Closed Form Vs Gradient Descent

  • مطالعه موردی نزول گرادیان Gradient Descent Case Study

KNN KNN

  • مقدمه ای بر طبقه بندی Introduction to Classification

  • تعریف طبقه بندی ریاضی Defining Classification Mathematically

  • مقدمه ای بر KNN Introduction To KNN

  • دقت KNN Accuracy of KNN

  • اثربخشی KNN Effectiveness of KNN

  • متریک فاصله Distance Metrics

  • متریک فاصله قسمت 2 Distance Metrics Part2

  • پیدا کردن K Finding K

  • KNN در رگرسیون KNN on Regression

  • مطالعه موردی Case Study

  • مورد طبقه بندی 1 Classification Case1

  • مورد طبقه بندی 2 Classification Case2

  • مورد طبقه بندی 3 Classification Case3

  • مورد طبقه بندی 4 Classification Case4

معیارهای عملکرد مدل Model Performance Metrics

  • معیارهای عملکرد بخش 1 Performance Metrics Part1

  • معیارهای عملکرد قسمت 2 Performance Metrics Part2

  • معیارهای عملکرد قسمت 3 Performance Metrics Part3

انتخاب مدل قسمت 1 Model Selection Part1

  • مورد ایجاد مدل 1 Model Creation Case1

  • مورد ایجاد مدل 2 Model Creation Case2

  • مطالعه موردی جستجوی شبکه قسمت 1 Grid Search Case Study Part1

  • مطالعه موردی جستجوی شبکه قسمت 2 Grid Search Case Study Part2

بیز ساده لوح Naive Bayes

  • معرفی Naive Bayes Introduction to Naive Bayes

  • قضیه بیز Bayes Theorem

  • مثال عملی از NB با یک ستون Practical Example from NB with One Column

  • مثال عملی از NB با چند ستون Practical Example from NB with Multiple Column

  • بیز ساده در قسمت داده متنی قسمت 1 Naive Bayes on Text Data Part1

  • بیز ساده در قسمت داده متنی قسمت 2 Naive Bayes on Text Data Part2

  • صاف کردن لاپلاس Laplace Smoothing

  • برنولی نایو بیز Bernoulli Naive Bayes

  • مطالعه موردی 1 Case Study 1

  • مطالعه موردی 2 قسمت 1 Case Study 2 Part1

  • مطالعه موردی 2 قسمت 2 Case Study 2 Part2

رگرسیون لجستیک Logistic Regression

  • معرفی Introduction

  • تابع سیگموئید Sigmoid Function

  • شانس ورود به سیستم Log Odds

  • مطالعه موردی Case Study

ماشین بردار پشتیبانی (SVM) Support Vector Machine (SVM)

  • معرفی Introduction

  • Hyperplane Part1 Hyperplane Part1

  • Hyperplane Part2 Hyperplane Part2

  • ریاضیات پشت SVM Maths Behind SVM

  • بردارهای پشتیبانی Support Vectors

  • متغیرهای Slack Slack Variables

  • مطالعه موردی SVM قسمت 1 SVM Case Study Part1

  • مطالعه موردی SVM قسمت 2 SVM Case Study Part2

  • هسته 1 Kernel Part1

  • هسته 2 Kernel Part2

  • مطالعه موردی 2 Case Study 2

  • مطالعه موردی 3: بخش 1 Case Study 3: Part1

  • مطالعه موردی 3: بخش 2 Case Study 3: Part2

  • مطالعه موردی 4 Case Study 4

درخت تصمیم Decision Tree

  • معرفی Introduction

  • مثال DT Example Of DT

  • همگنی Homogenity

  • شاخص جینی Gini Index

  • کسب اطلاعات قسمت 1 Information Gain Part1

  • کسب اطلاعات قسمت 2 Information Gain Part2

  • مزایا و معایب DT Advantages and Disadvantages Of DT

  • جلوگیری از مشکلات وزن بیش از حد در DT Preventing Overlifting Issues in DT

  • مطالعه موردی DT قسمت 1 DT Case Study Part1

  • مطالعه موردی DT قسمت 2 DT Case Study Part2

گروه بندی Ensembling

  • آشنایی با گروه ها Introduction to Ensembles

  • کوله بری Bagging

  • مزایای Advantages

  • زمان اجرا Runtime

  • مطالعه موردی Case study

  • مقدمه ای بر تقویت Introduction to Boosting

  • زبان آموزان ضعیف Weak Learners

  • درخت تصمیم کم عمق Shallow Decision Tree

  • Adaboost قسمت 1 Adaboost Part1

  • Adaboost قسمت 2 Adaboost Part2

  • مطالعه موردی Adaboost Adaboost Case Study

  • XGboost XGboost

  • تقویت قسمت 1 Boosting Part1

  • تقویت قسمت 2 Boosting Part2

  • الگوریتم Xgboost Xgboost Algorithm

  • مطالعه موردی قسمت 1 Case Study Part1

  • مطالعه موردی قسمت 2 Case Study Part2

  • مطالعه موردی قسمت 3 Case Study Part3

انتخاب مدل قسمت 2 Model Selection Part2

  • انتخاب مدل قسمت 1 Model Selection Part1

  • انتخاب مدل قسمت 2 Model Selection Part2

  • انتخاب مدل قسمت 3 Model Selection Part3

یادگیری بدون نظارت Unsupervised Learning

  • مقدمه ای بر خوشه بندی Introduction to Clustering

  • تقسیم بندی Segmentation

  • کمانس Kmeans

  • ریاضیات پشت Kmeans Maths Behind Kmeans

  • ریاضیات بیشتر More Maths

  • Kmeans Plus Kmeans Plus

  • ارزش K Value of K

  • تست هاپکینز Hopkins Test

  • مطالعه موردی قسمت 1 Case Study Part1

  • مطالعه موردی قسمت 2 Case Study Part2

  • بیشتر در مورد بخش بندی More on Segmentation

  • خوشه بندی سلسله مراتبی Heirarchical Clustering

  • مطالعه موردی Case Study

کاهش ابعاد Dimension Reduction

  • معرفی Introduction

  • PCA PCA

  • ریاضیات پشت PCA Maths Behind PCA

  • مطالعه موردی قسمت 1 Case Study Part1

  • مطالعه موردی قسمت 2 Case Study Part2

الگوریتم های پیشرفته یادگیری ماشین Advanced Machine Learning Algorithms

  • معرفی Introduction

  • مثال قسمت 1 Example Part1

  • مثال قسمت 2 Example Part2

  • راه حل بهینه Optimal Solution

  • مطالعه موردی Case Study

  • منظم سازی Regularization

  • ریج و کمند Ridge and Lasso

  • مطالعه موردی Case Study

  • انتخاب مدل Model Selection

  • مربع R تنظیم شده Adjusted R Square

یادگیری عمیق Deep Learning

  • انتظارات Expectations

  • معرفی Introduction

  • تاریخ History

  • پرسپترون Perceptron

  • پرسپترون چند لایه Multi Layered Perceptron

  • زمین بازی شبکه عصبی Neural Network Playground

پروژه - درمان پزشکی Project - Medical Treatment

  • مقدمه ای بر بیان مسئله Introduction to Problem Statement

  • بازی با دیتا Playing with Data

  • ترجمه مسئله به دنیای یادگیری ماشین Translating the Problem into Machine Learning World

  • برخورد با داده های متنی Dealing with Text Data

  • تقسیم بندی قطار، آزمایش و اعتبارسنجی متقاطع Train, Test and Cross Validation Split

  • درک ماتریس ارزیابی: از دست دادن گزارش Understanding Evaluation Matrix: Log Loss

  • ساخت بدترین مدل Building a Worst Model

  • ارزیابی بدترین مدل ML Evaluating a Worst ML Model

  • تحلیل ستون دسته اول First Categorical column Analysis

  • رمزگذاری پاسخ و یک رمزگذار داغ Response Encoding and One Hot Encoder

  • طبقه بندی کننده صاف کننده و کالیبره شده لاپلاس Laplace Smoothing and Calibrated classifier

  • اهمیت ستون دسته اول Significance of first categorical column

  • ستون دسته دوم Second Categorical column

  • ستون رده سوم Third Categorical column

  • پیش پردازش داده ها قبل از ساخت مدل یادگیری ماشینی Data pre-processing before building machine learning model

  • مدل یادگیری ماشین ساختمان قسمت 1 Building Machine Learning model Part1

  • مدل یادگیری ماشین ساختمان قسمت 2 Building Machine Learning model Part2

  • مدل یادگیری ماشین ساختمان قسمت 3 Building Machine Learning model Part3

  • مدل یادگیری ماشین ساختمان قسمت 4 Building Machine Learning model Part4

  • مدل یادگیری ماشین ساختمان قسمت 5 Building Machine Learning model Part5

  • مدل یادگیری ماشین ساختمان قسمت 6 Building Machine Learning model Part6

پروژه - پروژه Quora Project - Quora Project

  • معرفی Quora Quora Introduction

  • Quora Data Quora Data

  • Quora درک ML Quora Understanding ML

  • توزیع داده Quora Quora Data Distribution

  • Quora Datalist Quora Datalist

  • Quora Basic Feature Engineering Quora Basic Feature Engineering

  • متن Quora Quora Text

  • بخش 1 مهندسی ویژگی های پیشرفته Advanced Feature Engineering Part1

  • بخش 2 مهندسی ویژگی های پیشرفته Advanced Feature Engineering Part2

  • بخش 3 مهندسی ویژگی های پیشرفته Advanced Feature Engineering Part3

  • قسمت 4 مهندسی ویژگی های پیشرفته Advanced Feature Engineering Part4

  • Quora Advance Feature Analysis Quora Advance Feature Analysis

  • دارای داده های متنی با TF-IDF Weighted Word2Vec Featuring Text Data with TF-IDF Weighted Word2Vec

  • ساخت مدل های یادگیری ماشین - قسمت 1 Building Machine Learning Models - Part 1

  • ساخت مدل های یادگیری ماشین - قسمت 2 Building Machine Learning Models - Part 2

مشکل دنیای واقعی - تجزیه و تحلیل نیاز سرمایه گذاری برای یک شرکت Real World Problem - Investment Requirement Analysis for a Company

  • خلاصه پروژه سرمایه گذاری Investment Project Brief

  • پروژه سرمایه گذاری_پاکسازی داده ها قسمت 1 Investment Project_Data Cleaning Part 1

  • پروژه سرمایه گذاری_پاکسازی داده ها - II قسمت 2 Investment Project_Data Cleaning - II Part 2

  • پروژه سرمایه گذاری_تجزیه و تحلیل_بخش_کشور_تامین مالی بخش 1 Investment Project_Funding_Country_Sector Analysis Part 1

  • پروژه سرمایه گذاری_تجزیه و تحلیل_بخش_کشور_تامین مالی بخش 2 Investment Project_Funding_Country_Sector Analysis Part 2

پروژه تحلیل وام Loan Analysis Project

  • بیان مسأله Problem Statement

  • تجزیه و تحلیل پیش فرض باشگاه وام - درک داده ها و پاکسازی داده ها Lending Club Default Analysis - Data Understanding and Data Cleaning

  • تجزیه و تحلیل داده ها - تجزیه و تحلیل تک متغیره و دو متغیره Data Analysis - Univariate & Bivariate Analysis

  • تجزیه و تحلیل تک متغیره قطعه بندی شده Segmented Univariate Analysis

پروژه ماشین Car Project

  • بیان مسأله Problem Statement

  • درک و کاوش داده ها Data Understanding and Exploration

  • پاکسازی داده ها و آماده سازی داده ها Data Cleaning & Data Preparation

  • مدل سازی و ارزیابی Model Building and Evaluation

  • ارزیابی مدل نهایی Final Model Evaluation

پروژه سرریز پشته - استخدام فیس بوک Stack Overflow Project - Facebook Recruitment

  • بیان مسأله Problem Statement

  • متریک عملکرد Performance Metric

  • از دست دادن همینگ Hamming Loss

  • تجزیه و تحلیل برچسب ها Analysis of Tags

  • مشکل - Multi Label Part1 Problem - Multi Label Part1

  • مشکل - Multi Label Part2 Problem - Multi Label Part2

  • Problem_Apply Logistic Regression با OnevsRest Classifier Problem_Apply Logistic Regression with OnevsRest Classifier

  • مشکل_نهایی Problem_Final

نمایش نظرات

یادگیری ماشینی با پروژه های دنیای واقعی [ویدئو]
جزییات دوره
29 h 47 m
209
Packtpub Packtpub
(آخرین آپدیت)
1
5 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

Geekshub Pvt. Ltd. Geekshub Pvt. Ltd.

Geekshub یک شرکت آموزش آنلاین در زمینه داده های بزرگ و تجزیه و تحلیل است. هدف آنها به عنوان یک تیم این است که بهترین مجموعه مهارت را به مشتریان خود ارائه دهند تا آنها را برای کار آماده کنند و آنها را برای مقابله با هر چالشی آماده کنند. آنها بهترین مربیان را برای فناوری های پیشرفته مانند یادگیری ماشینی، یادگیری عمیق، پردازش زبان طبیعی (NLP)، یادگیری تقویتی و علم داده دارند. مربیان آنها افرادی هستند که از IIT، MIT و Standford فارغ التحصیل شده اند. آنها مشتاق آموزش موضوعات با استفاده از مطالعات موردی در دنیای واقعی هستند که تجربه یادگیری دانش آموزان را کالیبره می کند.

Geekshub Pvt. Ltd. Geekshub Pvt. Ltd.

Geekshub یک شرکت آموزش آنلاین در زمینه داده های بزرگ و تجزیه و تحلیل است. هدف آنها به عنوان یک تیم این است که بهترین مجموعه مهارت را به مشتریان خود ارائه دهند تا آنها را برای کار آماده کنند و آنها را برای مقابله با هر چالشی آماده کنند. آنها بهترین مربیان را برای فناوری های پیشرفته مانند یادگیری ماشینی، یادگیری عمیق، پردازش زبان طبیعی (NLP)، یادگیری تقویتی و علم داده دارند. مربیان آنها افرادی هستند که از IIT، MIT و Standford فارغ التحصیل شده اند. آنها مشتاق آموزش موضوعات با استفاده از مطالعات موردی در دنیای واقعی هستند که تجربه یادگیری دانش آموزان را کالیبره می کند.