آموزش علم داده و یادگیری ماشین در پایتون: مدل‌های خطی

دانلود Data Science and Machine Learning in Python: Linear models

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: به محبوب ترین الگوریتم های علم داده و یادگیری ماشین در پایتون (رگرسیون خطی، لجستیک...) مسلط شوید. تمام مدل های ما را از ابتدا و گام به گام پیاده سازی کنید. شما تمام جزئیات تئوری و عمل آنها را یاد خواهید گرفت. به طور اساسی محبوب ترین الگوریتم های یادگیری ماشین را درک کنید. به کتابخانه‌های اصلی یادگیری ماشین در پایتون تسلط داشته باشید: scikit-learn، numpy، pandas، matplotlib و غیره. گردش کار علم داده و نحوه حل یک مشکل پیش‌بینی را از ابتدا تا انتها درک کنید. مشکلات را در مدل های ما تشخیص داده و حل کنید. شما فردی خواهید بود که همکارانتان در صورت شکست مدل هایشان به دنبال آن خواهند بود. پیش نیازها: دانش اولیه پایتون (متغیرها، حلقه ها، کلاس ها و غیره) تجربه با پانداها و ابزارهای تجسم کمک می کند، اما لازم نیست.

چرا علم داده مطالعه کنیم؟

شرکت ها یک مشکل دارند: آنها روزانه مقادیر زیادی داده را جمع آوری و ذخیره می کنند. مشکل این است که آنها ابزار و توانایی لازم برای استخراج دانش و تصمیم گیری از آن داده ها را ندارند. اما این در حال تغییر است. چند سالی است که تقاضا برای دانشمندان داده به طور تصاعدی افزایش یافته است. به حدی که تعداد افراد دارای این مهارت ها برای پرکردن همه فرصت های شغلی کافی نیست. یک جستجوی اولیه در Glassdoor یا Indeed به شما نشان می دهد که چرا حقوق دانشمندان داده در سال های اخیر بسیار افزایش یافته است.


چرا این دوره؟

تقریباً هر دوره‌ای که در آنجا وجود دارد یا خیلی تئوری یا خیلی عملی است. دوره‌های دانشگاهی معمولاً مهارت‌های مورد نیاز برای مقابله با مشکلات علم داده را از ابتدا توسعه نمی‌دهند، و همچنین به شما یاد نمی‌دهند که چگونه از نرم‌افزار لازم به صورت روان استفاده کنید. از سوی دیگر، بسیاری از دوره‌های آنلاین و بوت کمپ به شما یاد می‌دهند که چگونه از این تکنیک‌ها استفاده کنید، بدون اینکه درک عمیقی از آن‌ها داشته باشید و به صورت سطحی نظریه را مرور کنید.


دوره ما بهترین های هر روش را ترکیب می کند. از یک طرف، ما به این خواهیم پرداخت که این روش‌ها از کجا آمده‌اند و چرا استفاده می‌شوند، و درک می‌کنیم که چرا این روش‌ها کار می‌کنند. از سوی دیگر، ما این روش ها را از ابتدا با استفاده از محبوب ترین کتابخانه های علم داده و یادگیری ماشین در پایتون برنامه ریزی خواهیم کرد. تنها زمانی که دقیقاً نحوه عملکرد هر الگوریتم را فهمیدید، نحوه استفاده از آنها را با کتابخانه های پیشرفته پایتون یاد خواهیم گرفت.


محتوای دوره

  • مقدمه ای بر یادگیری ماشین و علم داده.

  • رگرسیون خطی ساده. ما یاد خواهیم گرفت که چگونه رابطه بین پدیده های مختلف را مطالعه کنیم.

  • رگرسیون خطی چندگانه. ما مدل هایی با بیش از یک متغیر ایجاد خواهیم کرد تا رفتار یک متغیر مورد علاقه را مطالعه کنیم.

  • رگرسیون کمند. نسخه پیشرفته رگرسیون خطی چندگانه با قابلیت فیلتر کردن مفیدترین متغیرها.

  • رگرسیون برآمدگی. یک نسخه پایدارتر از رگرسیون خطی چندگانه.

  • رگرسیون لجستیک. محبوب ترین الگوریتم طبقه بندی و تشخیص این به ما امکان می دهد تا رابطه بین متغیرهای مختلف و کلاس های شی خاص را مطالعه کنیم.

  • رگرسیون پواسون. الگوریتمی که به ما امکان می‌دهد ببینیم که چگونه چندین متغیر بر تعداد دفعات وقوع یک رویداد تأثیر می‌گذارند.

  • مفاهیم اصلی در علم داده (تناسب بیش از حد در مقابل عدم تناسب، اعتبارسنجی متقابل، آماده سازی متغیر و غیره).


سؤالی دارید؟ به یاد داشته باشید که ما 30 روز ضمانت بازگشت کامل وجه داریم. هیچ خطری برای شما وجود ندارد. به این ترتیب ما متقاعد شده ایم که شما این دوره را دوست خواهید داشت.



سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدید Welcome

  • پارادایم های یادگیری ماشینی Paradigms of machine learning

  • داده ها و نقاط داده Data and datapoints

  • مدل چیست؟ What is a model?

  • ابزارها و کتابخانه ها برای یادگیری ماشین Tools and libraries for machine learning

  • کد کامل Complete code

  • سری علم داده و یادگیری ماشین Data Science and Machine Learning series

  • کاتالوگ دوره کامل ما Our complete course catalog

  • ما را در شبکه های اجتماعی دنبال کنید Follow us on social media

رگرسیون خطی ساده Simple linear regression

  • بررسی سریع توابع مشتق Quick review of derivative functions

  • رگرسیون خطی ساده Simple linear regression

  • مفروضات مدل Model assumptions

  • پیدا کردن بهترین مدل مناسب Finding the best fitting model

  • برآورد حداکثر احتمال Maximum likelihood estimation

  • برآورد حداکثر احتمال β0 Maximum likelihood estimate of β₀

  • برآورد حداکثر احتمال β1 Maximum likelihood estimate of β₁

  • برآورد حداکثر احتمال از σ² Maximum likelihood estimate of σ²

  • تفسیر پارامترهای به دست آمده Interpreting the obtained parameters

  • ارزیابی خوبی تناسب Evaluating goodness of fit

  • حداقل مربعات معمولی Ordinary Least squares

  • مدل های رگرسیون بدون رهگیری Regression models without intercept

  • بررسی مفروضات مدل Checking the model's assumptions

  • پیوند به دفترچه کد Link to the code notebook

  • یافتن بهترین مدل مناسب - کدگذاری 1 Finding the best fitting model - Coding 1

  • یافتن بهترین مدل مناسب - کدگذاری 2 Finding the best fitting model - Coding 2

  • یافتن بهترین مدل مناسب - کدگذاری 3 Finding the best fitting model - Coding 3

  • یافتن بهترین مدل مناسب - کدگذاری 4 Finding the best fitting model - Coding 4

  • یافتن بهترین مدل مناسب - کدگذاری 5 Finding the best fitting model - Coding 5

  • یافتن بهترین مدل مناسب - کدگذاری 6 Finding the best fitting model - Coding 6

رگرسیون خطی چندگانه Multiple linear regression

  • رگرسیون خطی چندگانه Multiple linear regression

  • پارامترهای β مدل ما را پیدا کنید Find the β parameters of our model

  • پیوند به دفترچه کد Link to the code notebook

  • ایجاد اولین مدل MLR ما - کد 1 Creating our first MLR model - Code 1

  • ایجاد اولین مدل MLR ما - کد 2 Creating our first MLR model - Code 2

  • ایجاد اولین مدل MLR ما - کد 3 Creating our first MLR model - Code 3

  • ایجاد اولین مدل MLR ما - کد 4 Creating our first MLR model - Code 4

  • متغیرهای مقوله ای و ساختگی Categorical and dummy variables

  • تفسیر اثر متغیرهای ساختگی Interpreting the effect of dummy variables

  • تعاملات ویژگی Feature interactions

  • رگرسیون خطی چندگانه با متغیرهای طبقه بندی - کد 1 Multiple linear regression with categorical variables - Code 1

  • رگرسیون خطی چندگانه با متغیرهای طبقه بندی شده - کد 2 Multiple linear regression with categorical variables - Code 2

  • استانداردسازی ویژگی ها Feature standardization

  • رتبه بندی متغیرهای پیش بینی - کد Ranking predictive variables - Code

  • چند خطی Multicollinearity

  • ضریب تورم واریانس (VIF) Variance Inflation Factor (VIF)

  • درمان چند خطی - کد 1 Treating multicollinearity - Code 1

  • درمان چند خطی - کد 2 Treating multicollinearity - Code 2

  • درمان چند خطی - کد 3 Treating multicollinearity - Code 3

پیش بینی قیمت الماس Diamond price prediction

  • پیوند به دفترچه کد Link to the code notebook

  • چرخه حیات علم داده The data science life cycle

  • پیش بینی قیمت الماس - کد 1 Diamond price prediction - Code 1

  • پیش بینی قیمت الماس - کد 2 Diamond price prediction - Code 2

  • مجموعه داده های آموزش، اعتبار سنجی و آزمایش Training, validation and test datasets

  • پیش بینی قیمت الماس - کد 3 Diamond price prediction - Code 3

  • پیش بینی قیمت الماس - کد 4 Diamond price prediction - Code 4

  • پیش بینی قیمت الماس - کد 5 Diamond price prediction - Code 5

  • تبدیل متغیر هدف و پیش بینی کننده Target and predictor variable transforms

  • پیش بینی قیمت الماس - کد 6 Diamond price prediction - Code 6

  • پیش بینی قیمت الماس - کد 7 Diamond price prediction - Code 7

  • اطلاعات متقابل Mutual information

  • پیش بینی قیمت الماس - کد 8 Diamond price prediction - Code 8

  • Scikit-learn و کلاس Pipeline Scikit-learn and the Pipeline class

  • کلاس ColumnTransformer The ColumnTransformer class

  • کلاس TransformedTargetRegressor The TransformedTargetRegressor class

  • پیش بینی قیمت الماس - کد 9 Diamond price prediction - Code 9

  • پیش بینی قیمت الماس - کد 10 Diamond price prediction - Code 10

  • تفسیر ضرایب یک مدل با پیش بینی های تبدیل شده Interpreting the coefficients of a model with transformed predictors

  • تفسیر ضرایب یک مدل با متغیر هدف تبدیل شده Interpreting the coefficients of a model with transformed target variable

  • تفسیر ضرایب یک مدل با هدف و پیش بینی تبدیل شده Interpreting the coefficients of a model with transformed target and predictor

  • تفسیر ضرایب پیش بینی کننده های ساختگی با اهداف تبدیل شده Interpreting the coefficients of dummy predictors with transformed targets

  • پیش بینی قیمت الماس - کد 11 Diamond price prediction - Code 11

رگرسیون چند جمله ای Polynomial regression

  • بیش از حد برازش و تعمیم Overfitting and generalization

  • رگرسیون چند جمله ای Polynomial regression

  • پیوند به دفترچه کد Link to the code notebook

  • رگرسیون چند جمله ای - کد 1 Polynomial regression - code 1

  • رگرسیون چند جمله ای - کد 2 Polynomial regression - code 2

  • شرایط تعامل Interaction terms

  • رگرسیون چند جمله ای - کد 3 Polynomial regression - code 3

  • اضافه برازش در رگرسیون چند جمله ای Overfitting in polynomial regression

  • چند خطی ساختاری Structural multicollinearity

  • رگرسیون چند جمله ای - کد 4 Polynomial regression - code 4

  • رگرسیون چند جمله ای - کد 5 Polynomial regression - code 5

  • رگرسیون چند جمله ای - کد 6 Polynomial regression - code 6

رگرسیون ریج Ridge regression

  • پیوند به دفترچه کد Link to the code notebook

  • رگرسیون ریج 1 Ridge regression 1

  • رگرسیون ریج 2 Ridge regression 2

  • رگرسیون ریج 3 Ridge regression 3

  • رگرسیون ریج 4 Ridge regression 4

  • رگرسیون ریج 5 Ridge regression 5

  • رگرسیون ریج - کد 1 Ridge regression - Code 1

  • رگرسیون ریج - کد 2 Ridge regression - Code 2

  • رگرسیون ریج - کد 3 Ridge regression - Code 3

  • رگرسیون ریج - کد 4 Ridge regression - Code 4

  • رگرسیون ریج - کد 5 Ridge regression - Code 5

  • رگرسیون ریج - کد 6 Ridge regression - Code 6

رگرسیون کمند Lasso regression

  • پیوند به دفترچه کد Link to the code notebook

  • رگرسیون کمند - 1 Lasso regression - 1

  • رگرسیون کمند - 2 Lasso regression - 2

  • رگرسیون کمند - 3 Lasso regression - 3

  • رگرسیون کمند - 4 Lasso regression - 4

  • رگرسیون کمند - 5 Lasso regression - 5

  • رگرسیون کمند - 6 Lasso regression - 6

  • رگرسیون کمند - 7 Lasso regression - 7

  • رگرسیون کمند - کد 1 Lasso regression - Code 1

  • رگرسیون کمند - کد 2 Lasso regression - Code 2

  • رگرسیون کمند - کد 3 Lasso regression - Code 3

  • رگرسیون کمند - کد 4 Lasso regression - Code 4

  • رگرسیون کمند - کد 5 Lasso regression - Code 5

  • رگرسیون کمند - کد 6 Lasso regression - Code 6

  • رگرسیون کمند - کد 7 Lasso regression - Code 7

  • مقایسه بین رگرسیون ریج و کمند Comparison between ridge and lasso regression

رگرسیون لجستیک Logistic regression

  • پیوند به دفترچه کد Link to the code notebook

  • رگرسیون لجستیک 1 Logistic regression 1

  • رگرسیون لجستیک 2 Logistic regression 2

  • رگرسیون لجستیک 3 Logistic regression 3

  • رگرسیون لجستیک 4 Logistic regression 4

  • رگرسیون لجستیک 5 Logistic regression 5

  • رگرسیون لجستیک 6 Logistic regression 6

  • رگرسیون لجستیک 7 Logistic regression 7

  • رگرسیون لجستیک 8 Logistic regression 8

  • رگرسیون لجستیک 9 Logistic regression 9

  • رگرسیون لجستیک 10 Logistic regression 10

  • رگرسیون لجستیک - کد 1 Logistic regression - Code 1

  • رگرسیون لجستیک - کد 2 Logistic regression - Code 2

  • رگرسیون لجستیک - کد 3 Logistic regression - Code 3

  • رگرسیون لجستیک - کد 4 Logistic regression - Code 4

  • رگرسیون لجستیک - کد 5 Logistic regression - Code 5

  • رگرسیون لجستیک - کد 6 Logistic regression - Code 6

  • رگرسیون لجستیک - کد 7 Logistic regression - Code 7

  • رگرسیون لجستیک - کد 8 Logistic regression - Code 8

  • رگرسیون لجستیک - کد 9 Logistic regression - Code 9

  • رگرسیون لجستیک - کد 10 Logistic regression - Code 10

  • رگرسیون لجستیک - کد 11 Logistic regression - Code 11

دسته بندی رقمی دست نویس Handwritten digit classification

  • پیوند به دفترچه کد Link to the code notebook

  • دسته بندی رقم دست نویس - قسمت 1 Handwritten digit classification - Part 1

  • دسته بندی رقم دست نویس - قسمت 2 Handwritten digit classification - Part 2

  • دسته بندی رقم دست نویس - قسمت 3 Handwritten digit classification - Part 3

نمایش نظرات

آموزش علم داده و یادگیری ماشین در پایتون: مدل‌های خطی
جزییات دوره
12 hours
137
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
284
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Escape Velocity Labs Escape Velocity Labs

دوره های عملی و جامع هوش مصنوعی