لطفا در هنگام پرداخت ، فیلترشکن خود را خاموش نمایید.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
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/
نمایش نظرات