آموزش یادگیری ماشین کاربردی بدون کدنویسی با استفاده از Orange 3

Applied Machine Learning without coding using Orange 3

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یک رویکرد ساده برای علم داده اصول یادگیری ماشینی را بدون هیچ کدنویسی بیاموزید! از Orange 3 برای آشنایی با انواع مشکلات و راه های حل آنها با استفاده از ابزارهای ارائه شده در نرم افزار استفاده می کند. در پایان دوره شما درک کاملی از پرکاربردترین الگوریتم‌های یادگیری ماشین برای رگرسیون، پیش‌بینی و طبقه‌بندی و نحوه نمونه‌سازی راه‌حل‌ها در Orange 3 پیش نیازها خواهید داشت: برای این دوره نیازی به دانستن Python یا R نیست. برخی از دانش اولیه آمار مورد نیاز است. همچنین اگر چند ویدیوی مقدماتی درباره Orange 3 در YouTube تماشا کنید مفید خواهد بود

این یک دوره آموزشی در مورد علم داده و یادگیری ماشین بدون استفاده از برنامه نویسی است!

Orange 3 به عنوان پلتفرم دوره استفاده می شود. این یک دامنه عمومی و ابزار بسیار قدرتمند با انعطاف پذیری زیاد است. این یک محیط بصری است که نشان دادن کار خود را به دیگران بسیار آسان می کند. برای دنبال کردن این دوره، نیازی به داشتن پیش‌زمینه یادگیری ماشینی ندارید. من سعی کردم مفاهیم را بسیار ساده نگه دارم و به اندازه کافی تئوری برای شروع شما ارائه کنم. اگر می‌خواهید دانش خود را در زمینه یادگیری ماشین و علم داده ارتقا دهید، منابعی را برای مطالعه بیشتر ارائه می‌دهم.

اگرچه Orange 3 ابزار ساده ای است، اما می تواند کارهای پیشرفته ای را انجام دهد. من تمام قابلیت‌های Orange 3 را پوشش ندادم، اما در پایان دوره می‌توانید تمام ویژگی‌های آن را آزمایش کنید.

من موضوعات مختلفی را پوشش خواهم داد:

  • پیش پردازش داده

    • انتصاب

    • تشخیص بیرونی

    • تغییر متغیر

    • مدیریت مجموعه داده های نامتعادل

  • مدل سازی برای مشکلات طبقه بندی و رگرسیون

    • رگرسیون خطی

    • پشتیبانی از ماشین های برداری

    • شبکه های عصبی

    • kNN

    • k-Means

    • جنگل تصادفی

  • پیش‌بینی سری‌های زمانی. این معمولاً موضوعی از دوره های پیشرفته است، اما من فکر کردم که آن را گنجانده و به شما ایده ای در مورد نحوه اجرای آن بدهم، زیرا بسیاری از مشکلات زندگی واقعی سری های زمانی هستند

  • طبقه بندی تصویر. با Orange 3 بسیار سریع و سرگرم کننده است و درک و گسترش آن در صورت لزوم بسیار آسان است

  • من همچنین نحوه استفاده از کدنویسی پایتون و ترکیب آن را با رابط کاربری Orange برای انجام تبدیل متغیر نشان می‌دهم، اما این تنها آغاز است. هنگامی که آشنا شدید، متوجه خواهید شد که این گزینه بسیار قدرتمندی است که در دستان شماست!

امیدواریم با این دوره تجربه یادگیری مفیدی داشته باشید!


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • ... معرفی بیشتر ... ...further Introduction...

راه اندازی و نمای کلی نارنجی. مبانی معیارهای ارزیابی آماری Orange Setup and Overview. Basics of statistical evaluation criteria

  • نصب نارنجی 3 Orange 3 Installation

  • افزونه سری زمانی را نصب کنید Install time series add-on

  • نمای کلی نارنجی 3 Orange 3 overview

  • ضمیمه نمودار خطی Line chart addendum

  • آمار ارزیابی برای طبقه بندی و رگرسیون Evaluation statistics for Classification and Regression

پیش پردازش داده ها Data Preprocessing

  • معرفی. پیش پردازش داده چیست و چگونه در Machine Learnin قرار می گیرد Introduction. What is data pre-processing and how does it fit in Machine Learnin

  • اهداف ماژول Module Objectives

  • پیش پردازش داده ها در نارنجی 3 Data Pre-Processing in Orange 3

انتخاب ویژگی Feature Selection

  • مقدمه - برخی از نظریه های اساسی در مورد انتخاب ویژگی Intro - some basic theory about feature selection

  • ارائه اصلی - قسمت 1 Main Presentation - part 1

  • ارائه اصلی - قسمت 2 Main Presentation - part 2

  • ارائه اصلی - قسمت 3 Main Presentation - part 3

رگرسیون خطی Linear Regression

  • تئوری پایه و نمای کلی ماژول Basic theory and module overview

  • رگرسیون خطی در نارنجی 3 Linear Regression in Orange 3

  • رگرسیون خطی با استفاده از "یادگیرندگان" Linear regression using "learners"

  • رگرسیون خطی: آموزش و اعتبارسنجی با استفاده از فولدها Linear regression: training and validation using folds

  • نمونه ای از یک مجموعه داده که در آن متغیر هدف مشخص نیست Example of a data set where the target variable is not known

  • توری کمند، ریج و الاستیک در رگرسیون خطی Lasso, Ridge and Elastic net in Linear Rergession

تکنیک های طبقه بندی و خوشه بندی Classification and clustering Techniques

  • مقدمه ای بر تکنیک های طبقه بندی و خوشه بندی Introduction to classification and clustering techniques

  • نمونه خوشه بندی Clustering example

  • طبقه بندی: kNN و درخت تصمیم Classification: kNN and Decision Tree

  • کاربرد طبقه بندی در یک مثال غیر عددی Classification application on a non-numerical example

الگوریتم هایی برای طبقه بندی و رگرسیون Algorithms for both Classification and regression

  • مقدمه ای بر Random Forest، SVM و NN Introduction to Random Forest, SVM and NN

  • مثال مفصل در مورد ماشین‌های بردار پشتیبانی Detailed example on Support Vector Machines

  • طبقه بندی: جنگل تصادفی و شبکه های عصبی Classification: Random Forest and Neural Networks

  • طبقه بندی برای یک مجموعه داده تنها با داده های ورودی Classification for a data set with only input data

  • رگرسیون با استفاده از SVM، جنگل تصادفی و شبکه های عصبی Regression using SVM, Random Forest and Neural Networks

پیش بینی سری زمانی Time Series forecasting

  • مقدمه ای بر پیش بینی سری های زمانی Introduction to time series forecasting

  • نحوه تنظیم Orange و داده های خود برای مدل سازی سری های زمانی How to setup Orange and your data for time series modelling

  • نمایش داده های فصلی Seasonality data demonstration

  • با سری زمانی مسافران هواپیمایی کار کنید - داده ها را بررسی کنید Work with the Airline Passenger time series - inspect the data

  • کار با سری زمانی مسافری هواپیمایی - اولین مدل سری زمانی ما Work with the Airline Passenger time series - Our first time series model

  • کار با سری زمانی مسافری هواپیمایی - فصلی Work with the Airline Passenger time series - Seasonality

  • کار با سری زمانی مسافری هواپیمایی - مدل ARIMA با فصلی Work with the Airline Passenger time series - ARIMA model with seasonality

  • کار با سری زمانی مسافری هواپیمایی - مدل ARIMA با فصلی/گزارش Work with the Airline Passenger time series - ARIMA model with seasonality/log

  • نحوه استفاده از شبکه های عصبی برای پیش بینی سری های زمانی How to use Neural Networks for time series forecasting

  • شبکه های عصبی برای پیش بینی سری های زمانی Neural Networks for time series forecasting

مطالعات موردی - 1 Case studies - 1

  • طبقه بندی تصویر Image Classification

مطالعات موردی - 2 Case Studies - 2

  • معرفی Introduction

  • مدل آبشاری ساده برای طبقه بندی Simple cascading model for classification

  • از یک مدل آبشاری پیچیده برای رگرسیون استفاده کنید Use a complex cascading model for regression

  • مدل پیچیده برای مجموعه داده های غیر عددی Complex model for a non-numerical data set

  • سخنرانی پاداش: نحوه استفاده از مدل هایی با مجموعه داده هایی که متغیرهای هدف ندارند Bonus lecture: how to use models with data sets that don't have target variables

مطالعات موردی - 3 Case studies - 3

  • نظریه در مورد تبدیل متغیر Theory on variable transformation

  • کدنویسی پایتون: Winsorization Python Coding: Winsorization

  • کدگذاری پایتون: تبدیل Box-Cox Python coding: Box-Cox transformation

  • کدنویسی پایتون: تبدیل یئو جانسون Python coding: Yeo-Johnson transformation

مطالعات موردی - 4 Case studies - 4

  • اسکریپت ها را نصب کنید Install Scripts

  • نقشه حرارتی همبستگی Correlation Heat Map

  • هیستوگرام Histogram

  • طرح چند خطی Multiline plot

  • طرح ویولن Violin Plot

  • Winsorization تعاملی Interactive Winsorization

پروژه Capstone Capstone Project

  • شرح پروژه Project description

  • پروژه Capstone - راه حل - پیش پردازش داده ها Capstone Project - Solution - Data Preprocessing

  • پروژه Capstone - راه حل - مدل سازی و اعتبار سنجی Capstone Project - Solution - Modelling and Validation

نمایش نظرات

آموزش یادگیری ماشین کاربردی بدون کدنویسی با استفاده از Orange 3
جزییات دوره
10 hours
58
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
767
4.3 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