مقدمه ای بر یادگیری ماشین با Scikit-Learn

Introduction to Machine Learning with Scikit-Learn

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: سه تکنیک اصلی یادگیری ماشین را بیاموزید: رگرسیون، طبقه‌بندی و خوشه‌بندی، با استفاده از Scikit-Learn در این دوره آموزشی یاد خواهید گرفت: یادگیری ماشینی و Scikit-Learn شما قادر خواهید بود مشکلاتی را که با یادگیری ماشینی قابل حل هستند تشخیص دهید انتخاب تکنیک مناسب (آیا این یک مشکل طبقه بندی است؟ یک رگرسیون است؟ نیاز به پیش پردازش دارد؟) مدل های رگرسیون را با Scikit-Learn برای پیش بینی کمیت های عددی آموزش و ارزیابی کنید. آموزش و ارزیابی مدل‌های طبقه‌بندی با Scikit-Learn برای پیش‌بینی دسته‌ها. از تکنیک های خوشه بندی برای گروه بندی داده های خود و کشف بینش استفاده کنید. پیش نیازها:تجربه قبلی در برنامه نویسی در پایتون توصیه می شود مستر کلاس رایگان Pandas ما می تواند مفید باشد

این دوره آموزش ماشینی را با سه تکنیک اصلی مورد استفاده در صنعت معرفی می‌کند: رگرسیون، طبقه‌بندی، و خوشه‌بندی.

به گونه ای طراحی شده است که مستقل باشد، به آسانی به آن نزدیک شود، و به سرعت جذب شود.

خواهید آموخت:

  • یادگیری ماشین چیست

  • جایی که یادگیری ماشین در صنعت استفاده می شود

  • نحوه تشخیص تکنیکی که باید استفاده کنید

  • نحوه حل مسائل رگرسیون برای پیش بینی مقادیر عددی

  • نحوه حل مسائل طبقه بندی برای پیش بینی کمیت های طبقه بندی شده

  • نحوه استفاده از خوشه بندی برای گروه بندی داده های خود و کشف اطلاعات بینش جدید

این دوره برای به حداکثر رساندن تجربه یادگیری برای همه طراحی شده است و شامل 50٪ تئوری و 50٪ عمل عملی است. این شامل آزمایشگاه‌هایی با تمرین‌ها و راه‌حل‌های عملی است.

بدون نیاز به نصب نرم افزار. می‌توانید کد را در Google CoLab اجرا کنید و بلافاصله شروع کنید.

این دوره سریعترین راه برای افزایش سرعت در یادگیری ماشینی و Scikit Learn است.


چرا یادگیری ماشینی؟

آموزش ماشینی در 10 سال گذشته جهان را با طوفانی فراگرفته است، هر شرکتی را متحول کرده و بسیاری از برنامه‌های کاربردی را که ما هر روز استفاده می‌کنیم توانمند کرده است.

در اینجا چند نمونه از جایی که امروزه می‌توانید یادگیری ماشین را بیابید آورده شده است: سیستم‌های توصیه‌کننده، تشخیص تصویر، تجزیه و تحلیل احساسات، پیش‌بینی قیمت، ترجمه ماشینی و بسیاری موارد دیگر!

بیش از 3000 آگهی شغلی وجود دارد که فقط در ایالات متحده به Scikit Learn نیاز دارند و تقریباً 80000 شغل به یادگیری ماشین در ایالات متحده اشاره می کنند. مهندسان یادگیری ماشین به راحتی می توانند در شهرهای بزرگ حقوق شش رقمی دریافت کنند و شرکت ها میلیاردها دلار برای توسعه تیم های خود سرمایه گذاری می کنند.

حتی اگر قبلاً شغلی دارید، درک نحوه عملکرد یادگیری ماشین به شما قدرت می‌دهد تا پروژه‌های جدیدی را شروع کنید و در شرکت خود دیده شوید.


چرا Scikit Learn؟

  • این بهترین کتابخانه پایتون برای یادگیری یادگیری ماشینی است

  • API ساده و در عین حال قدرتمند برای تجزیه و تحلیل داده های پیش بینی شده

  • در بسیاری از صنایع استفاده می شود: فناوری، زیست شناسی، مالی، بیمه

  • ساخته شده بر روی کتابخانه های استاندارد مانند NumPy، SciPy، و Matplotlib


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • یادگیری ماشین و هوش مصنوعی Machine Learning and AI

  • توانمندسازهای یادگیری ماشینی Machine Learning Enablers

  • 3 تکنیک اصلی در یادگیری ماشینی The 3 main techniques in machine learning

  • انواع یادگیری ماشینی Types of machine learning

  • یادگیری تحت نظارت و بدون نظارت Supervised and Unsupervised Learning

  • نحوه انتخاب تکنیک ML How to choose ML technique

مشکلات رگرسیون در یادگیری ماشین: نظریه Regression Problems in Machine Learning: Theory

  • رگرسیون Regression

  • به حداقل رساندن ضرر Loss minimization

  • گردش کار یادگیری ماشین Machine Learning Workflow

  • امتیاز مربع R The R Square Score

  • تعمیم و تعمیم بیش از حد Generalization and Overfitting

مقدمه ای بر Scikit-Learn Introduction to Scikit-Learn

  • Scikit Learn Scikit Learn

  • Scikit Learn Components Scikit Learn Components

  • Scikit Learn Pipelines Scikit Learn Pipelines

  • مدل های رگرسیون یادگیری Scikit Scikit Learn Regression Models

آزمایشگاه عملی رگرسیون Regression Hands-on Lab

  • نحوه انجام آزمایشگاه ها How to do the labs

  • پیوند آزمایشگاه رگرسیون Regression Lab Link

  • بررسی آزمایشگاهی Lab Walkthrough

  • راه حل آزمایشگاه رگرسیون Regression Lab Solution

  • تمرین آزمایشگاهی 1 Lab Exercise 1

  • تمرین آزمایشگاهی 2 Lab Exercise 2

  • تمرین آزمایشگاهی 3 Lab Exercise 3

  • جادوی اشکال زدایی ژوپیتر Jupyter debug magic

  • نقشه ذهنی Mind Map

مشکلات طبقه بندی در یادگیری ماشینی Classification Problems in Machine Learning

  • طبقه بندی Classification

  • برچسب های طبقه بندی Classification Labels

  • طبقه بندی باینری با درخت تصمیم Binary Classification with Decision Tree

  • مزایای درختان تصمیم Advantages of Decision Trees

  • تاریخچه مدل های ML History of ML models

  • نزدیکترین همسایه ها KNearest Neighbors

  • رگرسیون لجستیک Logistic Regression

  • شبکه های عصبی Neural Networks

  • ماشین‌های بردار پشتیبانی Support Vector Machines

  • مجموعه و کیسه Ensembles and bagging

  • جنگل تصادفی و تقویت Random Forest and Boosting

  • Scikit Learn Classifiers Scikit Learn Classifiers

  • ارزیابی مدل Model Evaluation

  • ماتریس سردرگمی Confusion Matrix

  • طبقه بندی چند طبقه Multi-class Classification

آزمایشگاه عملی طبقه بندی Classification Hands-on Lab

  • لینک آزمایشگاه طبقه بندی Classification Lab Link

  • بررسی آزمایشگاهی Lab Walkthrough

  • راه حل آزمایشگاه طبقه بندی Classification Lab Solution

  • تمرین آزمایشگاهی 1 Lab Exercise 1

  • تمرین آزمایشگاهی 2 Lab Exercise 2

  • تمرین آزمایشگاهی 3 Lab Exercise 3

مشکلات خوشه بندی در یادگیری ماشینی Clustering Problems in Machine Learning

  • مقدمه ای بر خوشه بندی Introduction to clustering

  • فاصله و شباهت Distance and Similarity

  • K-Means K-Means

  • ارزیابی مدل خوشه بندی Clustering Model Evaluation

  • روش آرنج Elbow Method

  • امتیاز سیلوئت Silhouette Score

  • سایر روش های خوشه بندی Other clustering methods

  • Scikit Learn Clustering Scikit Learn Clustering

  • Scikit Learn پیاده سازی Scikit Learn Implementation

آزمایشگاه عملی خوشه بندی Clustering Hands-on Lab

  • پیوند آزمایشگاه خوشه بندی Clustering Lab Link

  • بررسی آزمایشگاهی Lab Walkthrough

  • راه حل آزمایشگاهی خوشه بندی Clustering Lab Solution

  • تمرین آزمایشگاهی 1 Lab Exercise 1

  • تمرین آزمایشگاهی 2 Lab Exercise 2

  • تمرین آزمایشگاهی 3 Lab Exercise 3

  • نقشه ذهنی Mind Map

نمایش نظرات

مقدمه ای بر یادگیری ماشین با Scikit-Learn
جزییات دوره
2.5 hours
62
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
353
4.7 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

Data Weekends Data Weekends

اصول علم داده را فقط در یک آخر هفته بیاموزید

Francesco Mosconi Francesco Mosconi

مدیر عامل شرکت Catalit & Zero to Deep Learning