آموزش جامع یادگیری ماشین: از مبتدی تا حرفه‌ای! - آخرین آپدیت

دانلود The Complete Machine Learning Course: From Zero to Expert!

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش جامع یادگیری ماشین با پایتون: از صفر تا مهندس متخصص یادگیری ماشین

با این دوره، یادگیری ماشین با پایتون را از پایه بیاموزید. هر آنچه برای ورود به بازار کار یادگیری ماشین نیاز دارید، در اینجا فراهم است! شامل الگوهای کد آماده.

بر یادگیری ماشین در پایتون مسلط شوید.

از صفر به یک مهندس یادگیری ماشین مطمئن، مدرن و پیشرفته تبدیل شوید.

  • با درک عمیق از نحوه عملکرد یادگیری ماشین، برای بازار کار آماده شوید.
  • پایپ‌لاین‌های کامل یادگیری ماشین را برای مجموعه‌داده‌های واقعی، از پاکسازی داده تا ارزیابی، توسعه دهید.
  • مانند یک مهندس یادگیری ماشین فکر و کار کنید: حل مسئله، تحقیق و گردش کار.
  • پشتیبانی سریع و دوستانه در بخش پرسش و پاسخ دریافت کنید.
  • بر تمام کتابخانه‌های پایتون یادگیری ماشین از جمله NumPy, SciPy, Pandas, Scikit-learn, Matplotlib, Seaborn, Imblearn و Jupyter Notebook مسلط شوید.
  • نحوه کار شبکه‌های عصبی را بیاموزید و آن‌ها را با فریم‌ورک‌هایی مانند TensorFlow یا PyTorch پیاده‌سازی کنید.
  • مهارت‌های خود را با بیش از ۱۰۰ چالش و تمرین (همراه با راه‌حل) تمرین کنید.

پیش‌نیازها:

برای شرکت در این دوره، هیچ‌گونه تجربه قبلی در یادگیری ماشین لازم نیست! ما شما را از مبتدی به متخصص می‌رسانیم.

هر کامپیوتر و سیستم‌عاملی (ویندوز، macOS یا لینوکس) قابل استفاده است. محیط کدنویسی را در طول دوره تنظیم خواهیم کرد.

شما به تازگی کامل‌ترین و عمیق‌ترین دوره یادگیری ماشین آنلاین را پیدا کرده‌اید.

فرقی نمی‌کند که می‌خواهید:

  • مهارت‌های لازم برای به دست آوردن اولین شغل یادگیری ماشین خود را کسب کنید.
  • به یک موقعیت شغلی ارشدتر به عنوان توسعه‌دهنده نرم‌افزار ارتقاء پیدا کنید.
  • یک دانشمند کامپیوتر شوید که بر یادگیری ماشین تسلط دارد.
  • یا فقط یادگیری ماشین را برای ایجاد سریع پروژه‌های خود بیاموزید.

...این دوره جامع یادگیری ماشین (مسترکلاس) همان چیزی است که برای دستیابی به همه این‌ها، و بیشتر، نیاز دارید.

این دوره به گونه‌ای طراحی شده که مهارت‌های یادگیری ماشین لازم را برای تبدیل شدن به یک متخصص این حوزه به شما بدهد. در پایان دوره، متدولوژی یادگیری ماشین را به خوبی درک خواهید کرد و قادر خواهید بود آن را در پروژه‌های خود اعمال کرده و به عنوان یک دانشمند کامپیوتر و توسعه‌دهنده کارآمد باشید.

چرا این دوره یک دوره پرفروش است؟

مانند شما، هزاران نفر دیگر از آموزش‌های پراکنده یوتیوب یا دوره‌های ناقص و منسوخ شده که فرض می‌کنند شما از قبل مطالب زیادی را می‌دانید، و همچنین از کتاب‌های درسی سنگین دانشگاهی که حتی پرکافئین‌ترین کدنویس را به خواب می‌برد، خسته و کلافه بودند.

مانند شما، آن‌ها از درس‌های با کیفیت پایین، مباحث ضعیف توضیح داده شده، و اطلاعات گیج‌کننده که به روشی نادرست ارائه شده بود، خسته شده بودند. به همین دلیل است که بسیاری در این دوره کامل یادگیری ماشین به موفقیت دست یافته‌اند. این دوره با در نظر گرفتن سادگی و پیشرفت بی‌وقفه در محتوای خود طراحی شده است.

این دوره هیچ تجربه قبلی در یادگیری ماشین را فرض نمی‌کند و شما را از مفاهیم اصلی مطلقاً مبتدی به جلو می‌برد. شما مهارت‌های اصلی یادگیری ماشین را یاد می‌گیرید و بر آن مسلط می‌شوید. این یک مرجع کامل برای آموزش یادگیری ماشین است. اگر می‌خواهید فراتر از محتوای اصلی بروید، می‌توانید هر زمان که بخواهید این کار را انجام دهید.

بخشی از آنچه در این دوره خواهید آموخت:

(اشکالی ندارد اگر هنوز همه اینها را درک نمی‌کنید. در طول دوره یاد خواهید گرفت)

  • مفاهیم اصلی یادگیری با نظارت، یادگیری بدون نظارت و یادگیری تقویتی را درک کنید.

  • مدل‌های پیش‌بینی‌کننده را با استفاده از الگوریتم‌های پرکاربرد مانند رگرسیون خطی، درخت تصمیم و ماشین بردار پشتیبان (SVM) بسازید.

  • بر تکنیک‌های دسته‌بندی و خوشه‌بندی، از جمله KNN، Naive Bayes و K-means مسلط شوید.

  • عمیقاً وارد شبکه‌های عصبی و یادگیری عمیق شوید و از فریم‌ورک‌هایی مانند TensorFlow یا PyTorch استفاده کنید.

  • مهندسی ویژگی، پاکسازی داده و پیش‌پردازش را با مجموعه‌داده‌های واقعی انجام دهید.

  • معیارهای ارزیابی مدل مانند دقت (Accuracy)، دقت (Precision)، فراخوانی (Recall)، F1-score و ROC-AUC را درک کنید.

  • نحوه کاهش بیش‌برازش (Overfitting) را با استفاده از تکنیک‌های منظم‌سازی مانند L1/L2، Dropout و اعتبارسنجی متقابل بیاموزید.

  • روش‌های کاهش ابعاد مانند PCA و t-SNE را برای بهینه‌سازی عملکرد به کار بگیرید.

  • تجربه عملی از طریق پروژه‌های عملی در حوزه‌هایی مانند مالی، مراقبت‌های بهداشتی و بازاریابی کسب کنید.

  • به نوعی متخصص تبدیل شوید که می‌تواند وارد یک جلسه شود، یک مدل یادگیری ماشین را به وضوح توضیح دهد و آن را با اطمینان از ابتدا طراحی کند.

اگر سوالی داشته باشم چه؟

همانطور که این دوره به اندازه کافی کامل است، پشتیبانی کامل نیز ارائه می‌دهم و به هر سوالی که داشته باشید پاسخ می‌دهم.

این بدان معناست که هرگز برای روزها در یک درس گیر نخواهید کرد. با راهنمایی‌های دقیق من، به آرامی و بدون هیچ مانع بزرگی در این دوره پیشرفت خواهید کرد.

هیچ ریسکی هم وجود ندارد!

این دوره دارای ضمانت کامل بازگشت وجه ۳۰ روزه است. به این معنی که اگر از دوره یا پیشرفت خود کاملاً راضی نبودید، به سادگی به من اطلاع دهید و من ۱۰۰% مبلغ شما را، بدون هیچ سوالی، بازپرداخت خواهم کرد.

شما یا مهارت‌های یادگیری ماشین را کسب می‌کنید، برنامه‌های عالی توسعه می‌دهید و به طور بالقوه یک شغل فوق‌العاده برای خود ایجاد می‌کنید، یا دوره را امتحان می‌کنید و اگر آن را دوست نداشتید، تمام پول خود را پس می‌گیرید…

شما به معنای واقعی کلمه نمی‌توانید بازنده باشید.

علاوه بر این، دوره مملو از تمرینات عملی است که بر اساس مطالعات موردی واقعی هستند. بنابراین نه تنها تئوری را یاد می‌گیرید، بلکه تمرین عملی زیادی در ساخت مدل‌های خود خواهید داشت.

و به عنوان یک امتیاز ویژه، این دوره شامل الگوهای کد پایتون است که می‌توانید آن‌ها را دانلود کرده و در پروژه‌های خود استفاده کنید.

آماده شروع هستید، توسعه‌دهنده؟

همین حالا با استفاده از دکمه «افزودن به سبد خرید» در سمت راست ثبت‌نام کنید و مسیر خود را به سوی درخشش خلاقانه و پیشرفته در یادگیری ماشین آغاز کنید. یا، با استفاده از قابلیت پیش‌نمایش، این دوره را به صورت رایگان امتحان کنید تا ۱۰۰٪ مطمئن شوید که این دوره برای شما مناسب است.

شما را در دوره می‌بینیم (بشتابید، یادگیری ماشین در انتظار شماست!)


سرفصل ها و درس ها

آماده سازی محیط کد Code Environment Setup

  • Google Colab برای برنامه نویسی پایتون Google Colab for Programming in Python

مبانی یادگیری ماشین Machine Learning Fundamentals

  • مقدمه ای بر یادگیری ماشین Introduction to Machine Learning

  • یادگیری نظارت شده Supervised Learning

  • یادگیری بدون نظارت Unsupervised Learning

مقدمه - پیش پردازش و تحلیل Introduction - Preprocessing and Analysis

  • مطالعه اولیه مجموعه داده Initial Study of the Dataset

  • تجسم سازی پایه Basic Visualization

تجسم سازی - تحلیل مؤلفه اصلی Visualization - Principal Component Analysis

  • مقدمه ای بر PCA Introduction to PCA

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • تجسم سازی اولیه Initial Visualization

  • استفاده از PCA Using PCA

تجسم سازی - جاسازی خطی محلی (LLE) Visualization - Locally Linear Embedding (LLE)

  • مقدمه ای بر LLE Introduction to LLE

  • الگوریتم جاسازی خطی محلی Locally Linear Embedding Algorithm

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • استفاده از LLE Using LLE

  • LLE با 3 بعد LLE with 3 Dimensions

تجسم سازی - جاسازی همسایه t-تصادفی (t-SNE) Visualization - t-Stochastic Neighbor Embedding (t-SNE)

  • مقدمه ای بر t-SNE Introduction to t-SNE

  • مجموعه داده Dataset

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • t-SNE بر روی داده خام t-SNE on Raw Data

  • t-SNE بر روی داده مقیاس شده t-SNE on Scaled Data

  • t-SNE بر روی داده استاندارد شده t-SNE on Standardized Data

تجسم سازی - مقیاس بندی چند بعدی (MDS) Visualization - Multidimensional Scaling (MDS)

  • مقدمه ای بر MDS Introduction to MDS

  • استفاده از MDS با 2 بعد Using MDS with 2 Dimensions

  • استفاده از MDS با 3 بعد Using MDS with 3 Dimensions

تجسم سازی - ISOMAP Visualization - ISOMAP

  • مقدمه ای بر ISOMAP Introducción to ISOMAP

  • ISOMAP با 2 بعد ISOMAP with 2 Dimensions

  • ISOMAP با 3 بعد ISOMAP with 3 Dimensions

تجسم سازی - تحلیل تمایز فیشر Visualization - Fisher Discriminant Analysis

  • مقدمه ای بر تحلیل تمایز فیشر Introduction to Fisher Discriminant Analysis

  • اطلاعات مجموعه داده Dataset Information

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • تحلیل تمایز فیشر با 2 بعد Fisher Discriminant Analysis with 2 Dimensions

  • تحلیل تمایز فیشر با 3 بعد Fisher Discriminant Analysis with 3 Dimensions

پروژه نهایی تجسم سازی - تصاویر Visualization Final Project - Images

  • تصاویر Images

  • مقدمه ای بر مجموعه داده تصاویر Introduction to the Image Dataset

  • تحلیل تمایز فیشر Fisher Discriminant Analysis

  • جاسازی خطی محلی Locally Linear Embedding

  • تحلیل مؤلفه اصلی Principal Component Analysis

  • ISOMAP ISOMAP

رگرسیون خطی Linear Regression

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • پیش پردازش Preprocessing

  • رگرسیون خطی Linear Regression

  • معیارها Metrics

  • اعتبارسنجی متقابل Cross Validation

رگرسیون ریج Ridge Regression

  • رگرسیون ریج و اعتبارسنجی متقابل Ridge Regression and Cross Validation

رگرسیون لاسو Lasso Regression

  • رگرسیون لاسو و اعتبارسنجی متقابل Lasso Regression and Cross Validation

رگرسیون - درک مدل ها Regression - Understand the Models

  • تحلیل Analysis

  • مقیاس بندی داده ها Data Scaling

  • رمزگذاری یک-داغ One-Hot Encoding

  • منظم سازی Regularization

  • نتایج نهایی Final Results

طبقه بندی Classification

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • تقسیم مجموعه داده: آموزش و آزمون Partition of the Dataset: Train and Test

  • پیش پردازش Preprocessing

  • تحلیل مؤلفه اصلی Principal Component Analysis

  • تحلیل تمایز خطی Linear Discriminant Analysis

  • طبقه بندی کننده نایو بیز Naive Bayes Classifier

  • طبقه بندی کننده درجه دوم Quadratic Classifier

  • رگرسیون لجستیک Logistic Regression

ماشین های بردار پشتیبان برای رگرسیون Support Vector Machines for Regression

  • مقدمه ای بر ماشین های بردار پشتیبان Introduction to Support Vector Machines

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • تقسیم مجموعه داده - متغیر هدف Partition of the Dataset - Target Variable

  • تقسیم مجموعه داده - پنجره های سری زمانی Partition of the Dataset - Time Series Windows

  • ماشین بردار پشتیبان - هسته خطی Support Vector Machine - Linear Kernel

  • ماشین های بردار پشتیبان - هسته های چند جمله ای Support Vector Machines - Polynomial Kernels

  • ماشین بردار پشتیبان - هسته تابع پایه شعاعی (RBF) Support Vector Machine - Radial Basis Function (RBF) Kernel

ماشین های بردار پشتیبان برای طبقه بندی Support Vector Machines for Classification

  • مقدمه ای بر ماشین های بردار پشتیبان Introduction to Support Vector Machines

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • تقسیم مجموعه داده Partition of the Dataset

  • تبدیل به ماتریس داده Transformation to Data Matrix

  • کاهش ابعاد Dimensionality Reduction

  • ماشین بردار پشتیبان - هسته خطی Support Vector Machine - Linear Kernel

  • ماشین های بردار پشتیبان - هسته های چند جمله ای Support Vector Machines - Polynomial Kernels

  • ماشین بردار پشتیبان - هسته تابع پایه شعاعی (RBF) Support Vector Machine - Radial Basis Function (RBF) Kernel

شبکه های عصبی Neural Networks

  • مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

شبکه های عصبی برای رگرسیون Neural Networks for Regression

  • اطلاعات مجموعه داده Dataset Information

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • تقسیم مجموعه داده - متغیر هدف Partition of the Dataset - Target Variable

  • تقسیم مجموعه داده - پنجره های سری زمانی Partition of the Dataset - Time Series Windows

  • شبکه عصبی پرسپترون چند لایه Multilayer Perceptron Neural Network

شبکه های عصبی برای طبقه بندی Neural Networks for Classification

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • تقسیم مجموعه داده Partition of the Dataset

  • شبکه عصبی - پیش پردازش Neural Network - Preprocessing

  • شبکه عصبی - آموزش Neural Network - Training

  • شبکه عصبی - ارزیابی عملکرد Neural Network - Performance Evaluation

K-نزدیکترین همسایگان (KNN) K-Nearest Neighbors (KNN)

  • مقدمه ای بر K-نزدیکترین همسایگان Introduction to K-Nearest Neighbors

K-نزدیکترین همسایگان (KNN) برای رگرسیون K-Nearest Neighbors (KNN) for Regression

  • اطلاعات مجموعه داده Dataset Information

  • مقدمه ای بر مجموعه داده Introduction to the Dataset

  • تقسیم مجموعه داده - متغیر هدف Partition of the Dataset - Target Variable

  • تقسیم مجموعه داده - پنجره های سری زمانی Partition of the Dataset - Time Series Windows

  • KNN - آموزش KNN - Training

  • KNN - ارزیابی عملکرد KNN - Performance Evaluation

K-نزدیکترین همسایگان (KNN) برای طبقه بندی K-Nearest Neighbors (KNN) for Classification

  • اطلاعات مجموعه داده Dataset Information

  • مجموعه داده دستگاه های الکترونیکی Electronic Devices Dataset

  • تقسیم مجموعه داده Partition of the Dataset

  • KNN - پیش پردازش KNN - Preprocessing

  • KNN - آموزش KNN - Training

  • KNN - ارزیابی عملکرد KNN - Performance Evaluation

نمایش نظرات

آموزش جامع یادگیری ماشین: از مبتدی تا حرفه‌ای!
جزییات دوره
26.5 hours
97
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,587
4.4 از 5
دارد
دارد
دارد
Lucas Bazilio
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lucas Bazilio Lucas Bazilio

مهندس و ریاضیدان

[انگلیسی]

لوکاس متخصص در ریاضیات و علوم کامپیوتر است که از سن کم علاقه زیادی به تدریس نشان داد.

او در حال حاضر بیش از 10 سال تجربه به عنوان مربی علم و فناوری دارد. او متخصص در الگوریتم‌ها، ریاضیات گسسته، هوش مصنوعی، زبان ماشین، از جمله موضوعات دیگر است.

لوکاس در دانشگاه معتبر پلی‌تکنیک کاتالونیا UPC در بارسلون تحقیق می‌کند./p>

در طول زندگی‌اش، چندین سخنرانی در دانشگاه‌ها و سازمان‌ها در مورد تدریس ریاضیات ارائه کرده است.


[SPANISH]

Lucas es un experto en matemáticas y ciencias de la computación que desde muy pequeño mostró una gran pasión por la enseñanza.

Actualmente cuenta con más de 10 años de experiencia siendo instructor de ciencias y tecnología. Esspecialista en Algoritmos، Matemática Discreta، Inteligencia Artificial، Lenguaje Máquina، entre otros temas.

Lucas se encuentra investigando en la prestigiosa Universidad Politécnica de Cataluña UPC en Barcelona.>

A lo largo de su vida, ha dado múltiples conferencias en universidades y organizaciones sobre la enseñanza de las matemáticas.