آموزش کیمیاگری الگوریتم‌ها - رمزگشایی از اسرار یادگیری ماشین [ویدیو] - آخرین آپدیت

دانلود Algorithm Alchemy - Unlocking the Secrets of Machine Learning [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری ماشین در حال متحول کردن صنایع است و تسلط بر الگوریتم‌های اصلی آن برای نوآوری‌های مبتنی بر هوش مصنوعی ضروری است. این دوره یک رویکرد ساختاریافته را ارائه می‌دهد که با مفاهیم بنیادی و پیاده‌سازی با زبان پایتون آغاز می‌شود. شما مدل‌های یادگیری نظارت‌شده، از رگرسیون خطی تا تکنیک‌های پیشرفته مجموعه‌ای مانند جنگل‌های تصادفی و گرادینت بوستینگ را بررسی خواهید کرد. هر الگوریتم از پایه پیاده‌سازی شده است تا هم تئوری و هم مهارت‌های کدنویسی عملی شما تقویت شود. فراتر از یادگیری نظارت‌شده، شما به تکنیک‌های یادگیری بدون نظارت مانند خوشه‌بندی و کاهش ابعاد خواهید پرداخت. برای کشف الگوهای پنهان در داده‌ها، الگوریتم‌های K-Means، DBSCAN، اتوانکودرها و t-SNE را پیاده‌سازی خواهید کرد. این دوره همچنین یادگیری تقویتی و یادگیری عمیق، شامل Q-learning، گرادینت‌های سیاست، CNNها، RNNها و ترنسفورمرها را معرفی می‌کند که تکنیک‌های کلیدی پیشران پیشرفت‌های هوش مصنوعی هستند. در پایان، شما تسلطی کامل بر مدل‌های یادگیری ماشین و کاربردهای واقعی آن‌ها خواهید داشت. چه در حال ساخت مدل‌های پیش‌بینی‌کننده باشید، چه بهینه‌سازی جریان‌های کاری هوش مصنوعی یا پیشرفت در یادگیری عمیق، این دوره شما را به مهارت‌های عملی و آماده برای بازار کار مجهز می‌کند. - پیاده‌سازی الگوریتم‌های کلیدی یادگیری ماشین با استفاده از پایتون - تسلط بر تکنیک‌های رگرسیون، طبقه‌بندی و خوشه‌بندی - توسعه شبکه‌های عصبی و مدل‌های یادگیری عمیق - به‌کارگیری یادگیری تقویتی برای تصمیم‌گیری‌های مبتنی بر هوش مصنوعی - بهینه‌سازی و تنظیم دقیق مدل‌ها برای کاربردهای دنیای واقعی - کسب تجربه عملی در یادگیری نظارت‌شده و بدون نظارت این دوره برای دانشمندان داده، مهندسان نرم‌افزار و علاقه‌مندان به هوش مصنوعی طراحی شده است که می‌خواهند درک خود را از الگوریتم‌های یادگیری ماشین و کاربردهای عملی آن‌ها عمیق‌تر کنند. این دوره برای برنامه‌نویسان پایتون مشتاق به پیاده‌سازی مدل‌ها از صفر و متخصصانی که به دنبال انتقال به نقش‌های مبتنی بر هوش مصنوعی هستند، ایده‌آل است. همچنین دانشجویان و پژوهشگرانی که هدفشان ساخت مدل‌های پیش‌بینی، بهینه‌سازی گردش کار یا بررسی تکنیک‌های یادگیری عمیق است، از این دوره بهره‌مند خواهند شد. - پوشش جامع مدل‌های یادگیری نظارت‌شده، بدون نظارت و یادگیری عمیق * پیاده‌سازی عملی الگوریتم‌های ML با استفاده از پایتون * بینش‌های کاربردی در مورد کاربردهای دنیای واقعی و تنظیم عملکرد مدل‌ها

سرفصل ها و درس ها

مقدمه‌ای بر الگوریتم‌های یادگیری ماشین و پیاده‌سازی در پایتون Introduction to Machine Learning Algorithms and Implementation in Python

  • مقدمه‌ای بر الگوریتم‌های یادگیری ماشین و پیاده‌سازی در پایتون Introduction to Machine Learning Algorithms and Implementation in Python

الگوریتم‌های یادگیری نظارت‌شده Supervised Learning Algorithms

  • پیاده‌سازی رگرسیون خطی در پایتون Linear Regression Implementation in Python

  • پیاده‌سازی رگرسیون Ridge و Lasso در پایتون Ridge and Lasso Regression Implementation in Python

  • پیاده‌سازی رگرسیون چندجمله‌ای در پایتون Polynomial Regression Implementation in Python

  • پیاده‌سازی رگرسیون لجستیک در پایتون Logistic Regression Implementation in Python

  • پیاده‌سازی K-نزدیک‌ترین همسایه (KNN) در پایتون K-Nearest Neighbors (KNN) Implementation in Python

  • پیاده‌سازی ماشین‌های بردار پشتیبان (SVM) در پایتون Support Vector Machines (SVM) Implementation in Python

  • پیاده‌سازی درخت‌های تصمیم در پایتون Decision Trees Implementation in Python

  • پیاده‌سازی جنگل‌های تصادفی در پایتون Random Forests Implementation in Python

  • پیاده‌سازی گرادینت بوستینگ در پایتون Gradient Boosting Implementation in Python

  • پیاده‌سازی Naive Bayes در پایتون Naive Bayes Implementation in Python

الگوریتم‌های یادگیری بدون نظارت Unsupervised Learning Algorithms

  • پیاده‌سازی خوشه‌بندی K-Means در پایتون K-Means Clustering Implementation in Python

  • پیاده‌سازی خوشه‌بندی سلسله‌مراتبی در پایتون Hierarchical Clustering Implementation in Python

  • پیاده‌سازی DBSCAN (خوشه‌بندی فضایی مبتنی بر چگالی کاربردها با نویز) DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

  • پیاده‌سازی مدل‌های مخلوط گاوسی (GMM) در پایتون Gaussian Mixture Models (GMM) Implementation in Python

  • پیاده‌سازی تحلیل مؤلفه‌های اصلی (PCA) در پایتون Principal Component Analysis (PCA) Implementation in Python

  • پیاده‌سازی t-SNE (جاسازی همسایه تصادفی توزیع t) در پایتون t-Distributed Stochastic Neighbor Embedding (t-SNE) Implementation in Python

  • پیاده‌سازی اتوانکودرها در پایتون Autoencoders Implementation in Python

سایر دسته‌بندی‌های تخصصی Other Specialized Categories

  • پیاده‌سازی خودآموزی (Self Training) در پایتون Self-Training Implementation in Python

  • پیاده‌سازی Q-Learning در پایتون Q-Learning Implementation in Python

  • پیاده‌سازی شبکه‌های Q عمیق (DQN) در پایتون Deep Q-Networks (DQN) Implementation in Python

  • پیاده‌سازی روش‌های گرادینت سیاست در پایتون Policy Gradient Methods Implementation in Python

  • پیاده‌سازی One Class SVM در پایتون One-Class SVM Implementation in Python

  • پیاده‌سازی Isolation Forest در پایتون Isolation Forest Implementation in Python

  • پیاده‌سازی شبکه‌های عصبی پیچشی (CNNs) در پایتون Convolutional Neural Networks (CNNs) Implementation in Python

  • پیاده‌سازی شبکه‌های عصبی بازگشتی (RNNs) در پایتون Recurrent Neural Networks (RNNs) Implementation in Python

  • پیاده‌سازی حافظه طولانی کوتاه‌مدت (LSTM) در پایتون Long Short-Term Memory (LSTM) Implementation in Python

  • پیاده‌سازی ترنسفورمرها در پایتون Transformers Implementation in Python

نمایش نظرات

آموزش کیمیاگری الگوریتم‌ها - رمزگشایی از اسرار یادگیری ماشین [ویدیو]
جزییات دوره
3h 0m
28
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Vivian Aranha
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Vivian Aranha Vivian Aranha

معمار راه حل های موبایل و مربی حرفه ای