آموزش بهینه سازی یادگیری ماشین با استفاده از الگوریتم ژنتیک

Machine Learning Optimization Using Genetic Algorithm

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: نحوه بهینه‌سازی عملکرد الگوریتم‌های یادگیری ماشین و اعمال انتخاب ویژگی با استفاده از الگوریتم ژنتیک اعمال الگوریتم ژنتیک برای بهینه‌سازی الگوریتم‌های یادگیری ماشینی اعمال الگوریتم ژنتیک در ماشین‌های بردار پشتیبان و شبکه‌های عصبی پرسپترون چندلایه اعمال الگوریتم ژنتیک برای انتخاب ویژگی آموزش کدنویسی الگوریتم ژنتیک در Pyth از ابتدا پیش نیازها: دانش پایه در یادگیری ماشین دانش پایه در تحقیقات عملیات و بهینه سازی - (ضروری نیست، اما مفید) مهارت های برنامه نویسی اولیه در پایتون - (ضروری نیست، اما مفید است)

در این دوره آموزشی، فراپارامترها چیست، الگوریتم ژنتیک چیست و بهینه سازی هایپرپارامتر چیست. در این دوره، شما از الگوریتم ژنتیک برای بهینه سازی عملکرد ماشین های بردار پشتیبان (SVM) و شبکه های عصبی پرسپترون چندلایه (MLP NN) استفاده می کنید. از آن به عنوان تنظیم هایپرپارامتر یا تنظیم پارامتر یاد می شود. همچنین نحوه انتخاب ویژگی با استفاده از الگوریتم ژنتیک را خواهید آموخت.

بهینه سازی Hyperparameter بر روی دو مجموعه داده انجام می شود:

  • یک مجموعه داده رگرسیون برای پیش‌بینی بارهای سرمایش و گرمایش ساختمان‌ها

  • یک مجموعه داده طبقه بندی در رابطه با طبقه بندی ایمیل ها به هرزنامه و غیر هرزنامه

  • SVM و MLP بدون بهینه‌سازی روی مجموعه داده‌ها اعمال می‌شوند و نتایج آنها را با پس از بهینه‌سازی مقایسه می‌کنند

انتخاب ویژگی در یک مجموعه داده انجام می شود:

  • طبقه بندی تومورهای خوش خیم از تومورهای بدخیم در مجموعه داده سرطان پستان

در پایان این دوره، شما یاد خواهید گرفت که چگونه الگوریتم ژنتیک را در پایتون کدنویسی کنید و چگونه الگوریتم های یادگیری ماشین خود را برای حداکثر کارایی بهینه کنید. شما همچنین یاد گرفته اید که چگونه الگوریتم ژنتیک را برای انتخاب ویژگی اعمال کنید.

به طور خلاصه:

  • یاد خواهید گرفت که هایپرپارامترها چیست (گاهی اوقات به عنوان پارامتر شناخته می شود، هرچند متفاوت است)

  • الگوریتم ژنتیک

    را یاد خواهید گرفت
  • شما از الگوریتم ژنتیک برای بهینه سازی عملکرد الگوریتم های یادگیری ماشین خود استفاده خواهید کرد

    • دقت و توانایی های پیش بینی مدل خود را به حداکثر برسانید

    • بهینه سازی عملکرد SVM و شبکه های عصبی MLP

  • انتخاب ویژگی را برای استخراج ویژگی های مرتبط با خروجی پیش بینی شده اعمال کنید

    • بهترین استفاده را از مدل یادگیری ماشینی خود ببرید

    • ویژگی های اضافی را حذف کنید، که در عوض زمان و پیچیدگی مدل شما را کاهش می دهد

    • بدانید چه ویژگی هایی با خروجی ارتباط دارند و چه ویژگی هایی

      ندارند

شما نیازی به دانش و تجربه زیادی در بهینه سازی یا برنامه نویسی پایتون ندارید - این کمک می کند، اما برای موفقیت در این دوره الزامی نیست.

  • این دوره به شما می آموزد که چگونه عملکرد الگوریتم های یادگیری ماشین خود را بهینه کنید

  • جایی که هر خط کد به طور کامل توضیح داده شده است

  • کد به روشی ساده نوشته شده است که می‌توانید درک کنید که چگونه کارها و نحوه کدنویسی الگوریتم ژنتیک حتی با دانش صفر در پایتون

  • اساساً، می‌توانید این را نه تنها به عنوان دوره‌ای در نظر بگیرید که به شما نحوه بهینه‌سازی مدل یادگیری ماشین را می‌آموزد، بلکه برنامه‌نویسی پایتون را نیز به شما می‌آموزد!

لطفاً هر سؤالی از من بپرسید! دوره را دوست ندارید؟ درخواست بازپرداخت 30 روزه!!


عهد واقعی --

1) "این دومین دوره من با دانا است. این دوره ترکیبی از فراابتکاری و یادگیری ماشینی است. تصویر گسترده ای از بهینه سازی فراپارامتر یادگیری ماشین ارائه می دهد. اگر اصول یادگیری ماشین را می دانید و می دانید این دوره را توصیه می کنم. می خواهید برخی از مسائل را با استفاده از ML حل کنید.با استفاده از تکنیک های بهینه سازی GA عملکرد بهتری از ML خواهید داشت.کدهای ارائه شده در این دوره بسیار ساده و قابل درک هستند.این دوره به دلیل مطالب و مثال های سخنرانی مستحق پنج ستاره است. مربی آگاه به موضوع و با استعداد در برنامه نویسی." -- عبدالعزیز، رتبه 5 ستاره

2) "یک دوره عالی! برای هر کسی که علاقه مند به تنظیم دقیق مدل های یادگیری ماشینی خود است، بسیار عالی است. من از پیاده سازی از ابتدا و چگونگی توضیح آنها بسیار لذت بردم. این پیاده سازی ها از ابتدا به درک بسیار خوب تئوری کمک می کنند. نکته جالبی که باید به آن اشاره کرد این است که این دوره از Metaheustistics برای بهینه‌سازی یادگیری ماشینی استفاده می‌کند. با این حال، می‌توانید از طبقه‌بندی‌کننده‌های یادگیری ماشینی برای کمک به Metaheuristic خود برای پیش‌بینی مناطق خوب یا بد استفاده کنید. -- دیلن، امتیاز 5 ستاره

3) "بسیار مفید، برای استفاده از الگوریتم بهینه سازی برای بهینه سازی پارامترهای الگوریتم ML و باید این کار را با استفاده از پایتون انجام داد، فوق العاده است." -- Erigits، رتبه 5 ستاره

4) "دوره به خوبی توضیح داده شده است. موضوع آسان نیست، اما تا به امروز توضیحات واضح بوده است. این دوره دارای یک پروژه صفحه گسترده جالب است." -- مارتین، رتبه 5 ستاره

5) "از شما برای این دوره عالی بسیار متشکرم. چیزهای جدید زیادی از این دوره یاد می گیرید." -- دکتر محمود، رتبه 5 ستاره


سرفصل ها و درس ها

معرفی Introduction

  • طرح کلی دوره Course Outline

  • شبکه های عصبی Neural Networks

  • آزمون شماره 1 Quiz #1

  • بهينه سازي Optimization

  • فراابتکاری Metaheuristics

  • آزمون شماره 2 Quiz #2

معرفی Introduction

  • ویدئوی تبلیغاتی Promo Video

  • ویدئوی تبلیغاتی Promo Video

  • طرح کلی دوره Course Outline

  • ماشین بردار پشتیبانی Support Vector Machine

  • ماشین بردار پشتیبانی Support Vector Machine

  • شبکه های عصبی Neural Networks

  • آزمون شماره 1 Quiz #1

  • بهينه سازي Optimization

  • منبع مشکلات P در مقابل NP (مهم!!!) P vs. NP Problems Resource (IMPORTANT!!!)

  • منبع مشکلات P در مقابل NP (مهم!!!) P vs. NP Problems Resource (IMPORTANT!!!)

  • فراابتکاری Metaheuristics

  • آزمون شماره 2 Quiz #2

الگوریتم ژنتیک Genetic Algorithm

  • الگوریتم ژنتیک شماره 2 Genetic Algorithm #2

  • الگوریتم ژنتیک - روش شناسی Genetic Algorithm - Methodology

الگوریتم ژنتیک Genetic Algorithm

  • لطفا بخوانید PLEASE READ

  • لطفا بخوانید PLEASE READ

  • الگوریتم ژنتیک شماره 1 Genetic Algorithm #1

  • الگوریتم ژنتیک شماره 1 Genetic Algorithm #1

  • الگوریتم ژنتیک شماره 2 Genetic Algorithm #2

  • الگوریتم ژنتیک شماره 3 Genetic Algorithm #3

  • الگوریتم ژنتیک شماره 3 Genetic Algorithm #3

  • الگوریتم ژنتیک - شبه کد و فلوچارت Genetic Algorithm - Pseudocode and Flowchart

  • الگوریتم ژنتیک - شبه کد و فلوچارت Genetic Algorithm - Pseudocode and Flowchart

  • الگوریتم ژنتیک - روش شناسی Genetic Algorithm - Methodology

  • هدف از الگوریتم ژنتیک The Purpose of Genetic Algorithm

  • هدف از الگوریتم ژنتیک The Purpose of Genetic Algorithm

مجموعه داده Dataset

  • مجموعه داده Dataset

مجموعه داده Dataset

  • مجموعه داده Dataset

  • مجموعه داده Dataset

  • مجموعه داده Dataset

پشتیبانی از بهینه سازی ماشین برداری برای یک مشکل رگرسیونی Support Vector Machine Optimization for a Regression Problem

  • بهینه سازی SVM شماره 6 - مقدار تابع هدف شماره 6 SVM Optimization #6 - Objective Function Value #6

  • بهینه سازی SVM شماره 12 - اپراتور متقاطع شماره 1 SVM Optimization #12 - Crossover Operator #1

  • بهینه سازی SVM شماره 14 - متقاطع اپراتور شماره 3 SVM Optimization #14 - Crossover Operator #3

  • SVM Optimization #15 - Crossover Operator #4 SVM Optimization #15 - Crossover Operator #4

  • SVM Optimization #16 - Mutation Operator #1 SVM Optimization #16 - Mutation Operator #1

  • SVM Optimization #17 - Mutation Operator #2 SVM Optimization #17 - Mutation Operator #2

  • SVM Optimization #18 - Mutation Operator #3 SVM Optimization #18 - Mutation Operator #3

  • بهینه سازی SVM شماره 22 - بهینه سازی SVM در مجموعه داده شماره 3 SVM Optimization #22 - Optimizing SVM on the Dataset #3

  • بهینه سازی SVM شماره 23 - بهینه سازی SVM در مجموعه داده شماره 4 SVM Optimization #23 - Optimizing SVM on the Dataset #4

  • بهینه سازی SVM شماره 24 - بهینه سازی SVM در مجموعه داده شماره 5 SVM Optimization #24 - Optimizing SVM on the Dataset #5

  • بهینه سازی SVM شماره 26 - بهینه سازی SVM در مجموعه داده شماره 7 SVM Optimization #26 - Optimizing SVM on the Dataset #7

پشتیبانی از بهینه سازی ماشین برداری برای یک مشکل رگرسیونی Support Vector Machine Optimization for a Regression Problem

  • دوره به روز شده (مهم) Updated Course (IMPORTANT)

  • دوره به روز شده (مهم) Updated Course (IMPORTANT)

  • بهینه سازی SVM شماره 1 - مقدار تابع هدف شماره 1 SVM Optimization #1 - Objective Function Value #1

  • بهینه سازی SVM شماره 1 - مقدار تابع هدف شماره 1 SVM Optimization #1 - Objective Function Value #1

  • بهینه سازی SVM شماره 2 - مقدار تابع هدف شماره 2 SVM Optimization #2 - Objective Function Value #2

  • بهینه سازی SVM شماره 2 - مقدار تابع هدف شماره 2 SVM Optimization #2 - Objective Function Value #2

  • بهینه سازی SVM شماره 3 - مقدار تابع هدف شماره 3 SVM Optimization #3 - Objective Function Value #3

  • بهینه سازی SVM شماره 3 - مقدار تابع هدف شماره 3 SVM Optimization #3 - Objective Function Value #3

  • بهینه سازی SVM شماره 4 - مقدار تابع هدف شماره 4 SVM Optimization #4 - Objective Function Value #4

  • بهینه سازی SVM شماره 4 - مقدار تابع هدف شماره 4 SVM Optimization #4 - Objective Function Value #4

  • بهینه سازی SVM شماره 5 - تابع هدف شماره 5 (و مجموعه داده) SVM Optimization #5 - Objective Function Value #5 (and the Dataset)

  • بهینه سازی SVM شماره 5 - تابع هدف شماره 5 (و مجموعه داده) SVM Optimization #5 - Objective Function Value #5 (and the Dataset)

  • مجموعه داده The Dataset

  • مجموعه داده The Dataset

  • بهینه سازی SVM شماره 6 - مقدار تابع هدف شماره 6 SVM Optimization #6 - Objective Function Value #6

  • بهینه سازی SVM شماره 7 - مقدار تابع هدف شماره 7 SVM Optimization #7 - Objective Function Value #7

  • بهینه سازی SVM شماره 7 - مقدار تابع هدف شماره 7 SVM Optimization #7 - Objective Function Value #7

  • بهینه سازی SVM شماره 8 - انتخاب والدین شماره 1 SVM Optimization #8 - Selecting Parents #1

  • بهینه سازی SVM شماره 8 - انتخاب والدین شماره 1 SVM Optimization #8 - Selecting Parents #1

  • بهینه سازی SVM شماره 9 - انتخاب والدین شماره 2 SVM Optimization #9 - Selecting Parents #2

  • بهینه سازی SVM شماره 9 - انتخاب والدین شماره 2 SVM Optimization #9 - Selecting Parents #2

  • بهینه سازی SVM شماره 10 - انتخاب والدین شماره 3 SVM Optimization #10 - Selecting Parents #3

  • بهینه سازی SVM شماره 10 - انتخاب والدین شماره 3 SVM Optimization #10 - Selecting Parents #3

  • بهینه سازی SVM شماره 11 - انتخاب والدین شماره 4 SVM Optimization #11 - Selecting Parents #4

  • بهینه سازی SVM شماره 11 - انتخاب والدین شماره 4 SVM Optimization #11 - Selecting Parents #4

  • بهینه سازی SVM شماره 12 - اپراتور متقاطع شماره 1 SVM Optimization #12 - Crossover Operator #1

  • بهینه سازی SVM شماره 13 - متقاطع اپراتور شماره 2 SVM Optimization #13 - Crossover Operator #2

  • بهینه سازی SVM شماره 13 - متقاطع اپراتور شماره 2 SVM Optimization #13 - Crossover Operator #2

  • بهینه سازی SVM شماره 14 - متقاطع اپراتور شماره 3 SVM Optimization #14 - Crossover Operator #3

  • SVM Optimization #15 - Crossover Operator #4 SVM Optimization #15 - Crossover Operator #4

  • SVM Optimization #16 - Mutation Operator #1 SVM Optimization #16 - Mutation Operator #1

  • SVM Optimization #17 - Mutation Operator #2 SVM Optimization #17 - Mutation Operator #2

  • SVM Optimization #18 - Mutation Operator #3 SVM Optimization #18 - Mutation Operator #3

  • بهینه سازی SVM شماره 19 - توابع و بسته ها SVM Optimization #19 - Functions and Packages

  • بهینه سازی SVM شماره 19 - توابع و بسته ها SVM Optimization #19 - Functions and Packages

  • بهینه سازی SVM شماره 20 - بهینه سازی SVM در مجموعه داده شماره 1 SVM Optimization #20 - Optimizing SVM on the Dataset #1

  • بهینه سازی SVM شماره 20 - بهینه سازی SVM در مجموعه داده شماره 1 SVM Optimization #20 - Optimizing SVM on the Dataset #1

  • بهینه سازی SVM شماره 21 - بهینه سازی SVM در مجموعه داده شماره 2 SVM Optimization #21 - Optimizing SVM on the Dataset #2

  • بهینه سازی SVM شماره 21 - بهینه سازی SVM در مجموعه داده شماره 2 SVM Optimization #21 - Optimizing SVM on the Dataset #2

  • بهینه سازی SVM شماره 22 - بهینه سازی SVM در مجموعه داده شماره 3 SVM Optimization #22 - Optimizing SVM on the Dataset #3

  • بهینه سازی SVM شماره 23 - بهینه سازی SVM در مجموعه داده شماره 4 SVM Optimization #23 - Optimizing SVM on the Dataset #4

  • بهینه سازی SVM شماره 24 - بهینه سازی SVM در مجموعه داده شماره 5 SVM Optimization #24 - Optimizing SVM on the Dataset #5

  • بهینه سازی SVM شماره 25 - بهینه سازی SVM در مجموعه داده شماره 6 SVM Optimization #25 - Optimizing SVM on the Dataset #6

  • بهینه سازی SVM شماره 25 - بهینه سازی SVM در مجموعه داده شماره 6 SVM Optimization #25 - Optimizing SVM on the Dataset #6

  • بهینه سازی SVM شماره 26 - بهینه سازی SVM در مجموعه داده شماره 7 SVM Optimization #26 - Optimizing SVM on the Dataset #7

بهینه سازی شبکه عصبی پرسپترون چند لایه برای یک مشکل رگرسیونی Multilayer Perceptron Neural Network Optimization for a Regression Problem

  • بهینه سازی MLP شماره 1 MLP Optimization #1

  • بهینه سازی MLP شماره 2 MLP Optimization #2

  • بهینه سازی MLP شماره 6 MLP Optimization #6

بهینه سازی شبکه عصبی پرسپترون چند لایه برای یک مشکل رگرسیونی Multilayer Perceptron Neural Network Optimization for a Regression Problem

  • یادآوری دوره به روز شده (مهم) Updated Course Reminder (IMPORTANT)

  • یادآوری دوره به روز شده (مهم) Updated Course Reminder (IMPORTANT)

  • بهینه سازی MLP شماره 1 MLP Optimization #1

  • بهینه سازی MLP شماره 2 MLP Optimization #2

  • بهینه سازی MLP شماره 3 MLP Optimization #3

  • بهینه سازی MLP شماره 3 MLP Optimization #3

  • بهینه سازی MLP شماره 4 MLP Optimization #4

  • بهینه سازی MLP شماره 4 MLP Optimization #4

  • بهینه سازی MLP شماره 5 MLP Optimization #5

  • بهینه سازی MLP شماره 5 MLP Optimization #5

  • بهینه سازی MLP شماره 6 MLP Optimization #6

پشتیبانی از بهینه سازی ماشین برداری برای یک مشکل طبقه بندی Support Vector Machine Optimization for a Classification Problem

  • بهینه سازی SVM SVM Optimization

پشتیبانی از بهینه سازی ماشین برداری برای یک مشکل طبقه بندی Support Vector Machine Optimization for a Classification Problem

  • بهینه سازی SVM SVM Optimization

انتخاب ویژگی با استفاده از الگوریتم ژنتیک Feature Selection Using Genetic Algorithm

  • انتخاب ویژگی شماره 2 Feature Selection #2

  • انتخاب ویژگی شماره 3 Feature Selection #3

انتخاب ویژگی با استفاده از الگوریتم ژنتیک Feature Selection Using Genetic Algorithm

  • انتخاب ویژگی شماره 1 Feature Selection #1

  • انتخاب ویژگی شماره 1 Feature Selection #1

  • انتخاب ویژگی شماره 2 Feature Selection #2

  • انتخاب ویژگی شماره 3 Feature Selection #3

پیشنهاد جایزه!! BONUS OFFER!!

  • سخنرانی جایزه: کوپن های تخفیف دار Bonus Lecture: Discounted Coupons

پیشنهاد جایزه!! BONUS OFFER!!

  • سخنرانی جایزه: کوپن های تخفیف دار Bonus Lecture: Discounted Coupons

ضمیمه Appendix

  • فراگیری ماشین Machine Learning

ضمیمه Appendix

  • فراگیری ماشین Machine Learning

  • آزمون شماره 3 Quiz #3

  • آزمون شماره 3 Quiz #3

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش بهینه سازی یادگیری ماشین با استفاده از الگوریتم ژنتیک
جزییات دوره
6.5 hours
57
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,727
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

Curiosity for Data Science Curiosity for Data Science

مهندس معمار و صنایع