آموزش خوشه بندی و طبقه بندی با یادگیری ماشین در R

Clustering & Classification With Machine Learning In R

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: از قدرت یادگیری ماشینی برای یادگیری بدون نظارت و نظارت در R استفاده کنید - با مثال‌های عملی می‌توانید از قدرت R برای علم داده‌های عملی استفاده کنید که در داده‌ها در محیط R از منابع مختلف خوانده می‌شوند. پیش پردازش و بحث اولیه داده‌ها R Studio پیاده‌سازی تکنیک‌های بدون نظارت/خوشه‌بندی مانند k-means. باید قادر به کار و نصب نرم افزار بر روی رایانه قبل از قرار گرفتن در معرض اصطلاحات رایج یادگیری ماشینی مانند یادگیری بدون نظارت و نظارت باشد

دلیل این است که شما باید این دوره را بگذرانید:

این دوره راهنمای کامل شما برای یادگیری بدون نظارت تحت نظارت با استفاده از R...

یعنی این دوره تمام جنبه‌های اصلی علم داده‌های عملی را پوشش می‌دهد و اگر این دوره را گذرانده‌اید، می‌توانید دوره‌های دیگر یا خرید کتاب‌های مربوط به علم داده مبتنی بر R را کنار بگذارید.

 در این عصر کلان داده، شرکت‌ها در سرتاسر جهان از R برای بررسی بهمن اطلاعاتی که در اختیار دارند استفاده می‌کنند. با مهارت در یادگیری تحت نظارت بدون نظارت در R، می توانید به شرکت خود مزیت رقابتی بدهید و حرفه خود را به سطح بعدی ارتقا دهید.

از یک دانشمند داده خبره با 5 سال تجربه بیاموزید:

اسم من   Minerva Singh است و من فارغ التحصیل مقطع کارشناسی ارشد دانشگاه آکسفورد (جغرافیا و محیط زیست) هستم. من اخیراً یک دکترا را در دانشگاه کمبریج به پایان رساندم.

من +5 سال تجربه در تجزیه و تحلیل داده‌های واقعی از منابع مختلف با استفاده از تکنیک‌های مرتبط با علم داده و تولید انتشارات برای مجلات بین‌المللی بررسی شده دارم.

در طول تحقیقاتم متوجه شدم که تقریباً تمام دوره‌ها و کتاب‌های علوم داده‌های R، ماهیت چندبعدی موضوع را توضیح نمی‌دهند...

این دوره به شما پایه‌ای قوی در جنبه‌های اصلی یادگیری ماشین- طبقه‌بندی خوشه‌بندی می‌دهد.

بر خلاف سایر مربیان R، من ویژگی‌های یادگیری ماشینی R را عمیقاً بررسی می‌کنم و به شما پایه‌ای بی‌نظیر در  علوم داده می‌دهم!

شما از انجام پاکسازی خواندن داده‌ها تا یادگیری ماشین تا در نهایت پیاده‌سازی الگوریتم‌های یادگیری ماشینی قدرتمند و ارزیابی عملکرد آن‌ها با استفاده از R خواهید رفت.

این دوره دارای 8 بخش است که هر جنبه ای از یادگیری ماشین R را پوشش می دهد:

• معرفی کامل چارچوب R برای علم داده

• ساختارهای داده و خواندن در R، از جمله داده‌های CSV، Excel و HTML

• نحوه پیش پردازش و "پاک کردن" داده ها با حذف NA/بدون داده، تجسم

• یادگیری ماشینی، یادگیری تحت نظارت، یادگیری بدون نظارت در R

• ساخت و انتخاب مدل... خیلی بیشتر!

در پایان دوره، کلیدهای کل R Machine Learning Kingdom را خواهید داشت!

نیازی به دانش قبلی یا آمار/آمار/ماشین نیست:

شما با جذب ارزشمندترین اصول و تکنیک های R Data Science شروع خواهید کرد. من از روش‌های ساده و کاربردی برای ساده‌سازی و پرداختن به سخت‌ترین مفاهیم در R استفاده می‌کنم.

دوره من به شما کمک می‌کند روش‌ها را با استفاده از داده‌های واقعی به‌دست‌آمده از منابع مختلف پیاده‌سازی کنید. بسیاری از دوره‌ها از داده‌های ساختگی استفاده می‌کنند که دانش‌آموزان را قادر به پیاده‌سازی علم داده مبتنی بر R در زندگی واقعی نمی‌کند.

پس از گذراندن این دوره، به راحتی از بسته‌های علوم داده مانند caret برای کار با داده‌های واقعی در R...

استفاده می‌کنید.

شما حتی مفاهیمی مانند یادگیری بدون نظارت، کاهش ابعاد و یادگیری تحت نظارت را درک خواهید کرد. دوباره، ما با داده های واقعی کار خواهیم کرد و شما به تمام کدها و داده های استفاده شده در دوره دسترسی خواهید داشت.

اکنون به دوره من بپیوندید!


سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

  • به خوشه بندی و طبقه بندی با یادگیری ماشین در R خوش آمدید Welcome to Clustering & Classification with Machine Learning in R

  • داده ها و اسکریپت های دوره Data and Scripts For the Course

  • نصب R and R Studio Installing R and R Studio

در داده‌های منابع مختلف در R بخوانید Read in Data From Different Sources in R

  • در داده های CSV و Excel بخوانید Read in CSV & Excel Data

  • در پوشه زیپ نشده بخوانید Read in Unzipped Folder

  • در CSV آنلاین بخوانید Read in Online CSV

  • در Googlesheets بخوانید Read in Googlesheets

  • در داده ها از جداول HTML آنلاین - قسمت 1 بخوانید Read in Data from Online HTML Tables-Part 1

  • در داده ها از جداول HTML آنلاین - قسمت 2 بخوانید Read in Data from Online HTML Tables-Part 2

  • خواندن داده ها از یک پایگاه داده Read Data from a Database

پیش پردازش و تجسم داده ها Data Pre-processing and Visualization

  • مقادیر از دست رفته را حذف کنید Remove Missing Values

  • پاکسازی اطلاعات بیشتر More Data Cleaning

  • مقدمه ای بر dplyr برای خلاصه کردن داده ها - قسمت 1 Introduction to dplyr for Data Summarizing-Part 1

  • مقدمه ای بر dplyr برای خلاصه کردن داده ها - قسمت 2 Introduction to dplyr for Data Summarizing-Part 2

  • تجزیه و تحلیل داده های اکتشافی (EDA): تجسم های اساسی با R Exploratory Data Analysis(EDA): Basic Visualizations with R

  • تجزیه و تحلیل داده های اکتشافی بیشتر با xda More Exploratory Data Analysis with xda

  • کاوش و تجسم داده با dplyr و ggplot2 Data Exploration & Visualization With dplyr & ggplot2

  • ارتباط بین متغیرهای کمی - نظریه Associations Between Quantitative Variables- Theory

  • تست همبستگی Testing for Correlation

  • رابطه بین متغیرهای اسمی را ارزیابی کنید Evaluate the Relation Between Nominal Variables

  • Cramer's V برای بررسی قدرت ارتباط بین متغیر اسمی Cramer's V for Examining the Strength of Association Between Nominal Variable

  • آزمون بخش 3 Section 3 Quiz

یادگیری ماشین برای علم داده Machine Learning for Data Science

  • تفاوت یادگیری ماشینی با تجزیه و تحلیل داده های آماری چیست؟ How is Machine Learning Different from Statistical Data Analysis?

  • یادگیری ماشینی (ML) درباره چیست؟ برخی از نکات نظری What is Machine Learning (ML) About? Some Theoretical Pointers

یادگیری بدون نظارت در R Unsupervised Learning in R

  • K-Means Clustering K-Means Clustering

  • راه های دیگر انتخاب اعداد خوشه ای Other Ways of Selecting Cluster Numbers

  • فازی K-Means Clustering Fuzzy K-Means Clustering

  • K وزن دار به معنی Weighted k-means

  • پارتیشن بندی در اطراف ملوئیدها (PAM) Partitioning Around Meloids (PAM)

  • خوشه بندی سلسله مراتبی در R Hierarchical Clustering in R

  • انتظار-بیشینه سازی (EM) در R Expectation-Maximization (EM) in R

  • خوشه بندی DBSCAN در R DBSCAN Clustering in R

  • مجموعه داده های مختلط را خوشه بندی کنید Cluster a Mixed Dataset

  • آیا حتی باید خوشه بندی کنیم؟ Should We Even Do Clustering?

  • ارزیابی عملکرد خوشه بندی Assess Clustering Performance

  • کدام الگوریتم خوشه بندی را انتخاب کنیم؟ Which Clustering Algorithm to Choose?

  • آزمون بخش 5 Section 5 Quiz

کاهش ویژگی/بعد Feature/Dimension Reduction

  • تئوری کاهش ابعاد Dimension Reduction-theory

  • تجزیه و تحلیل اجزای اصلی (PCA) Principal Component Analysis (PCA)

  • اطلاعات بیشتر در مورد PCA More on PCA

  • مقیاس بندی چند بعدی Multidimensional Scaling

  • تجزیه ارزش منفرد (SVD) Singular Value Decomposition (SVD)

  • آزمون بخش 6 Section 6 Quiz

انتخاب ویژگی برای انتخاب مرتبط ترین پیش بینی کننده ها Feature Selection to Select the Most Relevant Predictors

  • حذف متغیرهای پیش بینی کننده بسیار همبسته Removing Highly Correlated Predictor Variables

  • انتخاب متغیر با استفاده از رگرسیون LASSO Variable Selection Using LASSO Regression

  • انتخاب متغیر با FSelector Variable Selection With FSelector

  • تجزیه و تحلیل Boruta برای انتخاب ویژگی Boruta Analysis for Feature Selection

تئوری یادگیری تحت نظارت Supervised Learning Theory

  • برخی از مفاهیم اساسی یادگیری تحت نظارت Some Basic Supervised Learning Concepts

  • پیش پردازش برای یادگیری تحت نظارت Pre-processing for Supervised Learning

یادگیری تحت نظارت: طبقه بندی Supervised Learning: Classification

  • طبقه بندی باینری Binary Classification

  • GLM چیست؟ What are GLMs?

  • مدل های رگرسیون لجستیک به عنوان طبقه بندی کننده های باینری Logistic Regression Models as Binary Classifiers

  • طبقه بندی کننده باینری با PCA Binary Classifier with PCA

  • چند نکته در مورد ارزیابی دقت Some Pointers on Evaluating Accuracy

  • معیارهای دقت طبقه بندی باینری را بدست آورید Obtain Binary Classification Accuracy Metrics

  • اطلاعات بیشتر در مورد اندازه گیری دقت باینری More on Binary Accuracy Measures

  • تحلیل تشخیصی خطی Linear Discriminant Analysis

  • مدل های طبقه بندی چند طبقه Multi-class Classification Models

  • مشکل طبقه بندی چند کلاسه ما Our Multi-class Classification Problem

  • درختان طبقه بندی Classification Trees

  • بیشتر در مورد تجسم درخت طبقه بندی More on Classification Tree Visualization

  • طبقه بندی با بسته حزب Classification with Party Package

  • درختان تصمیم Decision Trees

  • طبقه بندی جنگل تصادفی (RF). Random Forest (RF) Classification

  • اهمیت متغیر فردی را برای جنگل های تصادفی بررسی کنید Examine Individual Variable Importance for Random Forests

  • طبقه بندی GBM GBM Classification

  • ماشین‌های بردار پشتیبانی (SVM) برای طبقه‌بندی Support Vector Machines (SVM) for Classification

  • SVM بیشتر برای طبقه بندی More SVM for Classification

  • اهمیت متغیر در مدلسازی SVM با rminer Variable Importance in SVM Modelling with rminer

  • آزمون بخش 9 Section 9 Quiz

سخنرانی های اضافی Additional Lectures

  • فازی C-Means Clustering Fuzzy C-Means Clustering

  • در فایل پسوند DTA بخوانید Read in DTA Extension File

  • Github Github

  • علم داده چیست؟ What Is Data Science?

  • گروه بر اساس زمان Group By Time

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 خوشه بندی و طبقه بندی با یادگیری ماشین در R
جزییات دوره
8 hours
71
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,270
4.9 از 5
دارد
دارد
دارد
Minerva Singh
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم