آموزش یادگیری ماشین ، یادگیری عمیق و یادگیری بیزی

Machine Learning, Deep Learning and Bayesian Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری ماشین ، یادگیری عمیق ، یادگیری بیزی و استقرار مدل در پایتون.

آنچه خواهید آموخت

  • یادگیری عمیق با Tensorflow !!!
  • یادگیری عمیق با PyTorch !!! بله هر دو Tensorflow + PyTorch!
  • یادگیری بیزی با PyMC3
  • تجزیه و تحلیل داده ها با پانداها
  • الگوریتم های از ابتدا با استفاده از Numpy
  • با استفاده از Scikit-learn به طور کامل
  • استقرار مدل
  • مدلهای تشخیصی
  • پردازش زبان طبیعی
  • یادگیری بدون نظارت
  • پردازش زبان طبیعی با Spacy
  • مدل سازی سری های زمانی با FB Prophet
  • پایتون

این یک دوره در مورد یادگیری ماشین ، یادگیری عمیق (Tensorflow + PyTorch) و یادگیری بیزی (بله هر 3 موضوع در یک مکان !!!) است. بله ، هر دو Pytorch و Tensorflow برای یادگیری عمیق.

ما با تجزیه و تحلیل داده ها با استفاده از پانداها و اجرای برخی الگوریتم ها از ابتدا با استفاده از Numpy شروع می کنیم. این الگوریتم ها شامل رگرسیون خطی ، درختان طبقه بندی و رگرسیون (CART) ، جنگل های تصادفی و درختان تقویت شده با گرادیان هستند.

شروع به استفاده از TensorFlow برای درس های یادگیری عمیق می کنیم. این شامل شبکه های تغذیه پیشرو ، شبکه های عصبی کانولوشن (CNN) و شبکه های عصبی مکرر (RNN) می شود. برای پیشرفته ترین درسهای Deep Learning از PyTorch با PyTorch Lightning استفاده می کنیم.

ما بر برنامه نویسی و جنبه ریاضی/آماری این دوره تمرکز می کنیم. این امر به منظور اطمینان از آمادگی شما برای آن سوالات نظری در مصاحبه ها است ، در حالی که می توانید یادگیری ماشین را به طور کامل اجرا کنید.

برخی از زمینه های کلیدی دیگر در یادگیری ماشین که مورد بحث ما هستند شامل یادگیری بدون نظارت ، تجزیه و تحلیل سری های زمانی و پردازش زبان طبیعی است. Scikit-learning یک ابزار ضروری است که ما در کل دوره استفاده می کنیم.

ما زمان زیادی را صرف مهندسی ویژگی می کنیم و مطمئن می شویم که مدل های ما بیش از حد مناسب نیستند. تشخیص مدلهای یادگیری ماشین (و یادگیری عمیق) با تقسیم در آموزش و آزمایش و همچنین مشاهده معیارهای صحیح می تواند دنیایی از تفاوت را ایجاد کند.

مایلم اشاره کنم که ما درباره استقرار یادگیری ماشین صحبت می کنیم ، زیرا این موضوعی است که به ندرت در مورد آن صحبت می شود. کلید داشتن یک دانشمند داده خوب داشتن مدلی است که در تولید خراب نشود.

امیدوارم از این دوره لذت ببرید و لطفاً برای اطلاعات بیشتر با من تماس بگیرید.

این دوره برای چه کسانی است:

  • هر کسی که به یادگیری ماشین علاقه دارد.

سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • نحوه برخورد با این دوره How to tackle this course

  • نصب و ثبت نام Installations and sign ups

  • دفترهای یادداشت Jupyter Jupyter Notebooks

  • مطالب دوره Course Material

پایتون اساسی + پانداها + نقشه کشی Basic python + Pandas + Plotting

  • معرفی Intro

  • ساختارهای اساسی داده Basic Data Structures

  • فرهنگ لغت Dictionaries

  • توابع پایتون (روش ها) Python functions (methods)

  • توابع ناهنجار Numpy functions

  • اظهارات مشروط Conditional statements

  • برای حلقه ها For loops

  • دوباره فرهنگ لغت Dictionaries again

  • --------------------------------- پانداها ----------------- --------------- -------------------------------- Pandas --------------------------------

  • معرفی Intro

  • توابع ساده پانداها Pandas simple functions

  • پاندا: زیر مجموعه Pandas: Subsetting

  • پانداها: loc و iloc Pandas: loc and iloc

  • پانداها: loc و iloc 2 Pandas: loc and iloc 2

  • پاندا: نقشه و اعمال کنید Pandas: map and apply

  • پانداها: گروهی Pandas: groupby

  • ----- نقشه کشی -------- ----- Plotting --------

  • ترسیم منابع (نوت بوک) Plotting resources (notebooks)

  • طرح خط Line plot

  • خطوط متعدد را ترسیم کنید Plot multiple lines

  • هیستوگرام ها Histograms

  • نمودارهای پراکنده Scatter Plots

  • توطئه های فرعی Subplots

  • توطئه جفت دریایی + جفت Seaborn + pair plots

یادگیری ماشین: Numpy + Scikit Learn Machine Learning: Numpy + Scikit Learn

  • نظرات شما برای من مهم است! Your reviews are important to me!

  • ----------- آشفته ------------- ----------- Numpy -------------

  • نزول گرادیان Gradient Descent

  • kmeans قسمت 1 Kmeans part 1

  • Kmeans قسمت 2 Kmeans part 2

  • صدا و سیما Broadcasting

  • ---------------- Scikit Learn -------------------------------- ----- ---------------- Scikit Learn -------------------------------------

  • رگرسیون خطی قسمت 1 Linear Regresson Part 1

  • معرفی Intro

  • رگرسیون خطی قسمت 2 Linear Regression Part 2

  • درختان طبقه بندی و رگرسیون Classification and Regression Trees

  • CART قسمت 2 CART part 2

  • نظریه جنگل های تصادفی Random Forest theory

  • کد جنگل تصادفی Random Forest Code

  • ماشین آلات شیب تقویت شده Gradient Boosted Machines

یادگیری ماشین: طبقه بندی + سریهای زمانی + مدلهای تشخیصی Machine Learning: Classification + Time Series + Model Diagnostics

  • Kaggle قسمت 1 Kaggle part 1

  • Kaggle قسمت 2 Kaggle part 2

  • تئوری قسمت 1 Theory part 1

  • تئوری قسمت 2 + کد Theory part 2 + code

  • مجموعه داده تایتانیک Titanic dataset

  • مقدمه طبقه بندی Sklearn Sklearn classification prelude

  • طبقه بندی Sklearn Sklearn classification

  • مقابله با مقادیر از دست رفته Dealing with missing values

  • --------- سری زمانی ------------------- --------- Time Series -------------------

  • معرفی Intro

  • توابع از دست دادن Loss functions

  • FB Prophet قسمت 1 FB Prophet part 1

  • FB Prophet قسمت 2 FB Prophet part 2

  • نظریه پشت FB Prophet Theory behind FB Prophet

  • ------------ تشخیص مدل ----- ------------ Model Diagnostics -----

  • برازش بیش از حد Overfitting

  • اعتبار سنجی متقابل Cross Validation

  • طبقه بندی شده است Stratified K Fold

  • منطقه زیر منحنی (AUC) قسمت 1 Area Under Curve (AUC) Part 1

  • منطقه تحت منحنی (AUC) قسمت 2 Area Under Curve (AUC) Part 2

یادگیری بدون نظارت Unsupervised Learning

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

  • مد MNIST PCA Fashion MNIST PCA

  • K به معنی K-means

  • سایر روشهای خوشه بندی Other clustering methods

  • نظریه DBSCAN DBSCAN theory

  • نظریه مدلهای مخلوط گاوسی (GMM) Gaussian Mixture Models (GMM) theory

پردازش زبان طبیعی + اصلاح Natural Language Processing + Regularization

  • معرفی Intro

  • کلمات و فرکانس اصطلاح را متوقف کنید Stop words and Term Frequency

  • اصطلاح فرکانس - نظریه فرکانس اسناد معکوس (Tf - Idf) Term Frequency - Inverse Document Frequency (Tf - Idf) theory

  • طبقه بندی احساسات اخبار مالی Financial News Sentiment Classifier

  • NLTK + Stemming NLTK + Stemming

  • N گرم N-grams

  • اهمیت کلمه (ویژگی) Word (feature) importance

  • معرفی Spacy Spacy intro

  • استخراج ویژگی با Spacy (با استفاده از پانداها) Feature Extraction with Spacy (using Pandas)

  • مثال طبقه بندی Classification Example

  • نمونه برداری بیش از حد Over-sampling

  • -------- منظم سازی ------------ -------- Regularization ------------

  • معرفی Introduction

  • تجزیه و تحلیل MSE MSE recap

  • معرفی L2 Loss/Ridge Regression L2 Loss / Ridge Regression intro

  • رگرسیون ریج (رگرسیون جریمه L2) Ridge regression (L2 penalised regression)

  • آماده سازی داده های S & P500 برای از دست دادن L1 S&P500 data preparation for L1 loss

  • L1 رگرسیون جریمه (Lasso) L1 Penalised Regression (Lasso)

  • L1/L2 نظریه مجازات: چرا کار می کند L1/ L2 Penalty theory: why it works

یادگیری عمیق Deep Learning

  • معرفی Intro

  • نظریه DL قسمت 1 DL theory part 1

  • نظریه DL قسمت 2 DL theory part 2

  • مشکل نمایشی Tensorflow + Keras 1 Tensorflow + Keras demo problem 1

  • توابع فعال سازی Activation functions

  • اولین مثال با Relu First example with Relu

  • MNIST و Softmax MNIST and Softmax

  • عادی سازی ورودی یادگیری عمیق Deep Learning Input Normalisation

  • نظریه سافت مکس Softmax theory

  • دسته نرم Batch Norm

  • نظریه نرمال دسته ای Batch Norm Theory

یادگیری عمیق (TensorFlow) - شبکه های عصبی متحول Deep Learning (TensorFlow) - Convolutional Neural Nets

  • معرفی Intro

  • مد Mnist خوراک خالص به جلو برای معیار سنجش Fashion MNIST feed forward net for benchmarking

  • لایه Conv2d Keras Keras Conv2D layer

  • برازش مدل و بحث نتایج Model fitting and discussion of results

  • نظریه و کد ترک تحصیل Dropout theory and code

  • MaxPool (و مقایسه با گام به گام) MaxPool (and comparison to stride)

  • سیفار -10 Cifar-10

  • تشخیص نوک بینی با CNN ها Nose Tip detection with CNNs

یادگیری عمیق: شبکه های عصبی مکرر Deep Learning: Recurrent Neural Nets

  • Word2vec و Embeddings Word2vec and Embeddings

  • Kaggle + Word2Vec Kaggle + Word2Vec

  • Word2Vec: API keras Model Word2Vec: keras Model API

  • شبکه های عصبی مکرر - نظریه Recurrent Neural Nets - Theory

  • یادگیری عمیق - شبکه های حافظه کوتاه مدت (LSTM) Deep Learning - Long Short Term Memory (LSTM) Nets

  • یادگیری عمیق - چیدن LSTM ها + GRU ها Deep Learning - Stacking LSTMs + GRUs

  • یادگیری انتقال - بردارهای GLOVE Transfer Learning - GLOVE vectors

  • دنباله دنباله معرفی + داده های آماده سازی Sequence to Sequence Introduction + Data Prep

  • توالی به ترتیب مدل + مدل Keras مدل API Sequence to Sequence model + Keras Model API

  • مدلهای دنباله به ترتیب: مرحله پیش بینی Sequence to Sequence models: Prediction step

یادگیری عمیق: مقدمه PyTorch Deep Learning: PyTorch Introduction

  • معرفی Introduction

  • Pytorch: TensorDataset Pytorch: TensorDataset

  • Pytorch: Dataset و DataLoaders Pytorch: Dataset and DataLoaders

  • یادگیری عمیق با PyTorch: nn. مدل های متوالی Deep Learning with PyTorch: nn.Sequential models

  • یادگیری عمیق با Pytorch: توابع از دست دادن Deep Learning with Pytorch: Loss functions

  • یادگیری عمیق با پایتورچ: نزول گرادیان تصادفی Deep Learning with Pytorch: Stochastic Gradient Descent

  • یادگیری عمیق با Pytorch: Optimizers Deep Learning with Pytorch: Optimizers

  • API مدل Pytorch Pytorch Model API

  • Pytorch در GPU ها Pytorch in GPUs

  • یادگیری عمیق: مقدمه ای بر Pytorch Lightning Deep Learning: Intro to Pytorch Lightning

یادگیری عمیق: یادگیری انتقال با Pytorch رعد و برق Deep Learning: Transfer Learning with PyTorch Lightning

  • مقدمه آموزش انتقال Transfer Learning Introduction

  • توضیح مشکل Kaggle Kaggle problem description

  • مجموعه داده های PyTorch + Torchvision PyTorch datasets + Torchvision

  • آموزش انتقال PyTorch با ResNet PyTorch transfer learning with ResNet

  • مدل رعد و برق Pytorch PyTorch Lightning Model

  • مربی رعد و برق PyTorch + ارزیابی مدل PyTorch Lightning Trainer + Model evaluation

  • یادگیری عمیق برای طبقه بندی برگ های کاساوا Deep Learning for Cassava Leaf Classification

  • مجموعه داده های برگ Cassava Cassava Leaf Dataset

  • افزایش داده ها با تبدیل Torchvision Data Augmentation with Torchvision Transforms

  • Train vs Test Augmentations + پارامترهای DataLoader Train vs Test Augmentations + DataLoader parameters

  • یادگیری عمیق: انتقال مدل یادگیری با ResNet Deep Learning: Transfer Learning Model with ResNet

  • راه اندازی PyTorch Lightning برای آموزش Setting up PyTorch Lightning for training

  • از دست دادن آنتروپی متقابل برای کلاسهای نامتعادل Cross Entropy Loss for Imbalanced Classes

  • راه اندازی و ارزیابی مجموعه داده PyTorch Test PyTorch Test dataset setup and evaluation

  • WandB برای ثبت آزمایشات WandB for logging experiments

تقسیم بندی سطح پیکسل (بخش بندی معنایی) با PyTorch Pixel Level Segmentation (Semantic Segmentation) with PyTorch

  • معرفی Introduction

  • معرفی Introduction

  • Coco Dataset + Augmentations for Segmentation with Torchvision Coco Dataset + Augmentations for Segmentation with Torchvision

  • مروری بر معماری Unet Unet Architecture overview

  • معماری مدل PyTorch PyTorch Model Architecture

  • قلاب های PyTorch PyTorch Hooks

  • PyTorch Hooks: با نقاط شکست گام بردارید PyTorch Hooks: Step through with breakpoints

  • PyTorch Weighted CrossEntropy Loss PyTorch Weighted CrossEntropy Loss

  • Weights and Biases: ثبت تصاویر. Weights and Biases: Logging images.

  • آموزش تقسیم بندی معنایی با PyTorch Lightning Semantic Segmentation training with PyTorch Lightning

یادگیری عمیق: Transformers و BERT Deep Learning: Transformers and BERT

  • آشنایی با ترانسفورماتورها Introduction to Transformers

  • ترانسفورماتور مصور (پست وبلاگ توسط جی آلامار) The illustrated Transformer (blogpost by Jay Alammar)

  • Encoder Transformer Model: The ریاضی Encoder Transformer Models: The Maths

  • برت - نظریه BERT - The theory

  • چالش طبقه بندی نظرات سمی چند زبانه Kaggle Kaggle Multi-lingual Toxic Comment Classification Challenge

  • Tokenizers و آمادگی داده برای مدل های برت Tokenizers and data prep for BERT models

  • مدل Distilbert (کوچکتر BERT) Distilbert (Smaller BERT) model

یادگیری بیزی و برنامه نویسی احتمالی Bayesian Learning and probabilistic programming

  • مقدمه و اصطلاحات Introduction and Terminology

  • یادگیری بیزی: توزیع ها Bayesian Learning: Distributions

  • قانون بیز برای برآورد میانگین جمعیت Bayes rule for population mean estimation

  • یادگیری بیزی: تخمین جمعیت به روش pymc3 Bayesian learning: Population estimation pymc3 way

  • مثال Coins Toss با Pymc3 Coin Toss Example with Pymc3

  • راه اندازی داده ها برای رگرسیون خطی بیزی Data Setup for Bayesian Linear Regression

  • رگرسیون خطی بیزی با pymc3 Bayesian Linear Regression with pymc3

  • رگرسیون نورد بیزی - راه اندازی مشکل Bayesian Rolling Regression - Problem setup

  • رگرسیون نورد بیزی - راه pymc3 Bayesian Rolling regression - pymc3 way

  • رگرسیون نورد بیزی - پیش بینی Bayesian Rolling Regression - forecasting

  • Variational Bayes Intro معرفی Variational Bayes Intro

  • تغییرات بیز: طبقه بندی خطی Variational Bayes: Linear Classification

  • استنباط بیزی متغیری: تجزیه و تحلیل نتایج Variational Bayesian Inference: Result Analysis

  • Minibatch Variational Bayes Minibatch Variational Bayes

  • شبکه های عمیق بیزی Deep Bayesian Networks

  • شبکه های عمیق بیزی - تجزیه و تحلیل Deep Bayesian Networks - analysis

استقرار مدل Model Deployment

  • معرفی Intro

  • معرفی Intro

  • ذخیره مدل ها Saving Models

  • معرفی FastAPI FastAPI intro

  • مدل سرو FastAPI FastAPI serving model

  • Streamlit Intro Streamlit Intro

  • عملکردهای Streamlit Streamlit functions

  • مدل CLIP CLIP model

افکار نهایی Final Thoughts

  • چند توصیه در سفر Some advice on your journey

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 ، یادگیری عمیق و یادگیری بیزی
جزییات دوره
16h 2m
185
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
12,590
4.3 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

Sachin Abeywardana Sachin Abeywardana

مهندس یادگیری ماشین/PhDA پس از انجام دکترا در یادگیری ماشین بیزی ، من به عنوان یک دانشمند داده و در حال حاضر یک مهندس ارشد یادگیری ماشین در Canva کار کرده ام. من در زمینه مشکلات مختلف در زمینه ML کار کرده ام. از تجزیه و تحلیل جداول داده ها برای نگهداری ماشین ، تشخیص ناهنجاری در داده های بسته امنیتی ، مشکلات تقسیم بندی تصاویر تا اخیراً توجه به مسائل NLP.