الگوریتم های یادگیری ماشین در 7 روز [ویدئو]

Machine Learning Algorithms in 7 Days [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آیا واقعاً مشتاق یادگیری برخی از الگوریتم‌های جالب یادگیری ماشین هستید که این روزها خبرساز شده‌اند؟ برنامه‌های یادگیری ماشینی بسیار خودکار و خودتغییر می‌شوند و در طول زمان با کمترین مداخله انسانی و با یادگیری با داده‌های بیشتر، بهبود می‌یابند. برای پرداختن به ماهیت پیچیده مسائل مختلف داده های دنیای واقعی، الگوریتم های تخصصی یادگیری ماشینی توسعه داده شده اند که این مشکلات را به خوبی حل می کنند. این دوره یک دروازه آسان برای یادگیری 7 الگوریتم کلیدی در حوزه علم داده و یادگیری ماشین ارائه می دهد. شما یاد خواهید گرفت که چگونه داده های خود را برای بهینه سازی و طبقه بندی برای مجموعه داده های بزرگ از قبل خوشه بندی کنید. سپس خواهید فهمید که چگونه داده ها را بر اساس روندهای موجود در مجموعه داده های خود پیش بینی کنید. این ویدئو به مشکلات مربوط به طبقه بندی و پیش بینی دقیق و کارآمد داده ها می پردازد. در طول 7 روز، با هفت الگوریتم همراه با تمرین هایی آشنا می شوید که به شما کمک می کند جنبه های مختلف یادگیری ماشین را یاد بگیرید. این دوره الگوریتم هایی مانند: k-Nearest Neighbors، Naive Bayes، Decision Trees، Random Forest، k-Means، Regression و Time-Series را پوشش می دهد. پس از اتمام دوره، متوجه خواهید شد که کدام الگوریتم یادگیری ماشین را برای خوشه بندی، طبقه بندی یا رگرسیون انتخاب کنید و کدام الگوریتم برای مشکل شما مناسب تر است. شما قادر خواهید بود به راحتی و با اطمینان الگوریتم های علم داده را بسازید و پیاده سازی کنید. تمامی کدها و فایل های پشتیبانی این دوره در آدرس زیر موجود است: https://github.com/PacktPublishing/Machine-Learning-Algorithms-in-7-Days [*] راه حل های عالی ML برای مشکلات کسب و کار خود بسازید [*] روشی آسان و سریع برای یادگیری و استفاده از الگوریتم های ML بدون اینکه در مورد اصطلاحات نظری اذیت شوید [*] از الگوریتم های ML برای طراحی راه حل خود برای مشکلات تجاری استفاده کنید [*] این دوره به روز شده و بهبود یافته است و به طور کامل از پایتون 3 پشتیبانی می کند. این تضمین می کند آنچه که یاد می گیرید برای امروز شما کاملاً مرتبط باشد [*] در این راهنمای مختصر و روشنگر با هفت الگوریتم ML آشنا شوید این دوره برای متخصصان مشتاق علم داده است که با پایتون آشنایی دارند و پیشینه ای در مورد آمار دارند. این برای توسعه دهندگانی ایده آل است که در حال حاضر یک یا دو الگوریتم علم داده را پیاده سازی می کنند و می خواهند برای گسترش مجموعه مهارت های خود اطلاعات بیشتری کسب کنند. این دوره برای کسانی که آرزوی تسلط بر برخی از مرتبط‌ترین و پرکاربردترین الگوریتم‌ها در یادگیری ماشین را دارند، یک توانمندساز عالی خواهد بود. [*] بدانید کدام الگوریتم یادگیری ماشین را برای خوشه بندی، طبقه بندی یا رگرسیون انتخاب کنید و کدام یک برای مشکل شما مناسب تر است. * [*] مشکلات مربوط به طبقه بندی و پیش بینی دقیق و کارآمد داده ها را برطرف کنید. * [*] به راحتی و با اطمینان الگوریتم های علم داده را بسازید و پیاده سازی کنید *

سرفصل ها و درس ها

مدل های خطی Linear Models

  • بررسی اجمالی دوره The Course Overview

  • مقدمه ای بر رگرسیون خطی Introduction to Linear Regression

  • مفاهیم مختلف پیرامون رگرسیون خطی Various concepts around Linear Regression

  • استفاده از رگرسیون خطی برای پیش بینی Using Linear Regression for prediction

  • مزایا و محدودیت های رگرسیون خطی Advantages and Limitations of Linear Regression

  • مطالعه موردی – رگرسیون خطی Case Study – Linear Regression

  • مقدمه ای بر رگرسیون لجستیک Introduction to Logistic Regression

  • مفاهیم مختلف پیرامون رگرسیون لجستیک Various Concepts around Logistic Regression

  • چگونه می توان از رگرسیون لجستیک برای طبقه بندی چند طبقه استفاده کرد How Logistic Regression Can Be Used for Multi-Class Classification

  • مزایا و محدودیت های رگرسیون لجستیک Advantages and Limitations of Logistic Regression

  • مطالعه موردی – رگرسیون لجستیک Case Study – Logistic Regression

  • تکلیف خانه – مدل های خطی Homework Assignment – Linear Models

الگوریتم درخت تصمیم Decision Tree Algorithm

  • مقدمه ای بر درخت تصمیم Introduction to Decision Tree

  • مفاهیم - الگوریتم های درخت تصمیم مختلف Concepts - Various Decision Tree Algorithms

  • اجزای مختلف درخت تصمیم Various Components of Decision Tree

  • مزایا و معایب الگوریتم درخت تصمیم Advantages and Disadvantages of Decision Tree Algorithm

  • مطالعه موردی - داده‌های فرسایش منابع انسانی IBM Case Study – IBM’s HR Attrition Data

  • تکلیف خانه – الگوریتم درخت تصمیم Homework Assignment – Decision Tree Algorithm

الگوریتم جنگل تصادفی Random Forest Algorithm

  • مقدمه ای بر الگوریتم جنگل تصادفی Introduction to Random Forest Algorithm

  • مفاهیم الگوریتم جنگل تصادفی Concepts of Random Forest Algorithm

  • اجزای مختلف الگوریتم جنگل تصادفی Various components of Random Forest Algorithm

  • مزایا و معایب الگوریتم جنگل تصادفی Advantages and Disadvantages of Random Forest Algorithm

  • مطالعه موردی - داده های فرسایش منابع انسانی IBM Case Study - IBM's HR Attrition Data

  • تکلیف – الگوریتم جنگل تصادفی Homework Assignment – Random Forest Algorithm

الگوریتم خوشه بندی K-Means K-Means Clustering Algorithm

  • مقدمه ای بر K-Means Clustering Introduction to K-Means Clustering

  • مفاهیم الگوریتم خوشه بندی K-Means Concepts of K-Means Clustering Algorithm

  • روش های مختلف خوشه بندی Different Clustering Methods

  • مزایا و معایب الگوریتم خوشه بندی K-Means Advantages and Disadvantages of K-Means Clustering Algorithm

  • مطالعه موردی - مجموعه داده های Iris Case Study – Iris Dataset

  • تکلیف خانه - الگوریتم خوشه بندی K-Means Homework Assignment - K-Means Clustering Algorithm

الگوریتم K-نزدیکترین همسایگان K-Nearest Neighbors Algorithm

  • مقدمه ای بر الگوریتم KNN Introduction to KNN Algorithm

  • مفاهیم الگوریتم KNN Concepts of KNN Algorithm

  • مزایا و محدودیت های الگوریتم KNN Advantages and Limitations of KNN Algorithm

  • مطالعه موردی - مجموعه داده های سرشماری درآمد Case Study – Income Census Dataset

  • تکلیف خانه – الگوریتم KNN Homework Assignment – KNN Algorithm

الگوریتم ساده بیز Naïve Bayes Algorithm

  • مقدمه ای بر الگوریتم ساده بیز Introduction to Naïve Bayes Algorithm

  • مفاهیم الگوریتم ساده بیز Concepts of Naïve Bayes Algorithm

  • مزایا و محدودیت های الگوریتم ساده بیز Advantages and Limitations of Naïve Bayes Algorithm

  • مطالعه موردی – مجموعه داده های بازاریابی بانکی Case Study – Bank Marketing Dataset

  • تکلیف خانه - الگوریتم ساده بیز Homework Assignment - Naïve Bayes Algorithm

تجزیه و تحلیل سری زمانی Time Series Analysis

  • مقدمه ای بر تحلیل سری های زمانی Introduction to Time Series Analysis

  • مفاهیم مختلف در مورد مدل سری زمانی Various Concepts around Time Series Model

  • نمای کلی مدل ARIMA/SARIMA Full overview of ARIMA/ SARIMA Model

  • اندازه گیری دقت پیش بینی - تجزیه و تحلیل سری های زمانی Forecast Accuracy Measure – Time Series Analysis

  • مطالعه موردی - مجموعه داده های تورم شاخص قیمت مصرف کننده Case Study – CPI Inflation Dataset

  • تکلیف - تحلیل سری زمانی Homework Assignment - Time Series Analysis

نمایش نظرات

الگوریتم های یادگیری ماشین در 7 روز [ویدئو]
جزییات دوره
5 h 40 m
46
Packtpub Packtpub
(آخرین آپدیت)
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

Shovon Sengupta Shovon Sengupta

شوون سنگوپتا یک دانشمند داده با تجربه با بیش از 10 سال تجربه در تجزیه و تحلیل های پیش بینی پیشرفته، یادگیری ماشین، یادگیری عمیق و یادگیری تقویتی است. او به طور گسترده در طراحی راه حل های برنده جوایز برای سازمان های مختلف، برای مشکلات تجاری مختلف در حوزه مالی کار کرده است. در حال حاضر، او به عنوان دانشمند ارشد داده در یکی از NBFC های پیشرو در ایالات متحده کار می کند. شوون دارای مدرک کارشناسی ارشد در اقتصاد سنجی پیشرفته از یکی از دانشگاه های پیشرو در هند است. می توانید او را در آیدی لینکدین او دنبال کنید: https://www.linkedin.com/in/shovon-sengupta-272aa917/