لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات