مرورگر شما از این ویدیو پشتیبانی نمی کند.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
(صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)
بارگزاری مجدد
توضیحات دوره:
این آموزش سطح ابتدایی در یادگیری ماشین و هوش مصنوعی، یادگیرندگان را آماده میکند تا مجموعههای داده گسترده را نه تنها به اطلاعات معنادار، بلکه به بینشهای عملی، پیشبینیها و روندهای آیندهنگر تبدیل کنند.
تأثیر یادگیری ماشینی بر چشم انداز فناوری امروزی به سادگی غیرقابل اندازه گیری است. این دوره به عنوان مقدمه ای بر قدرت پیشگامانه یادگیری ماشین عمل می کند و هدف آن روشن کردن امکانات هیجان انگیز حل مشکلات دنیای واقعی با یادگیری ماشین است. این به شما بستگی دارد که از این بینش ها و مهارت ها برای حل مشکلات خاص در سازمان یا کار حرفه ای خود استفاده کنید.
خوشبختانه، این دوره فراتر از مفاهیم یادگیری ماشینی با ارائه فرصتهای عملی برای ساخت مدلهایی با Sicit-learn، PyTorch، TensorFlow، و حتی یک دوره کوتاه در توسعه LLM با OpenAI، LangChain و HuggingFace است.
هنگامی که این آموزش مقدمه بر یادگیری ماشین را کامل کردید، در به کارگیری الگوریتمهایی برای کشف بینشهای پنهان، استفاده از تجزیه و تحلیل آماری، و تولید نتایج پیشبینی مبتنی بر داده - همه با استفاده از یادگیری ماشین ماهر خواهید بود.
برای رهبران تیمهای فناوری اطلاعات، این دوره یادگیری ماشینی ارزش تحولآفرین شگفتانگیزی ارائه میدهد: ایدهآل برای دانشمندان دادههای جوانی که در حال گذار به یادگیری ماشینی، ادغام جلسات آموزشی شخصیشده، یا به سادگی یک مرجع جامع برای علم داده، یادگیری ماشین و هوش مصنوعی هستند. (AI) مفاهیم و بهترین شیوه ها.
مقدمه ای بر یادگیری ماشینی: آنچه باید بدانیداین آموزش یادگیری ماشینی دارای ویدئوهایی است که موضوعات مربوط به علوم داده، یادگیری ماشین و هوش مصنوعی را پوشش میدهد، از جمله:
کاوش در اصول یادگیری ماشین و آخرین بهترین شیوهها درک الگوریتم هایی مانند نزول گرادیان و پس انتشار پیادهسازی مدلهای طبقهبندی و رگرسیون برای کشف الگوها در دادهها غواصی در شبکه های پرسپترون و عصبی با مفاهیم قدرتمند مدل سازی هوش مصنوعی معرفی عملی PyTorch و ساخت مدل TensorFlow تقطیر مدلهای زبان بزرگ (LLM) با ChatGPT، LangChain، و HuggingFace چه کسی باید آموزش مقدماتی یادگیری ماشین را بگذراند؟مقدمه آموزش یادگیری ماشین به عنوان آموزش علوم داده در سطح دانشیار ارائه شده است، به این معنی که برای دانشمندان داده جوان و مهندسین مشتاق یادگیری ماشین طراحی شده است. این دوره مهارتهای یادگیری ماشین ارزش قابل توجهی را هم برای متخصصان نوظهور فناوری اطلاعات با حداقل یک سال تجربه و هم برای دانشمندان با تجربه داده ارائه میدهد که میخواهند مهارتهای علم داده خود را در زمینهای در حال پیشرفت تأیید کنند.
دانشمندان داده جدید یا مشتاق. اگر یک دانشمند داده کاملاً جدید هستید، نمیخواهید اولین کار خود را بدون آشنایی با یادگیری ماشین شروع کنید. چه به دنبال اولین شغل خود باشید و چه هنوز دانشجو هستید، این مقدمه را برای یادگیری ماشینی دنبال کنید و همه قابلیتها و فرصتهای یادگیری ماشین را از همان روز اول به اولین شغل خود بیاورید.
دانشمندان داده باتجربه. اگر چندین سال به عنوان دانشمند داده کار کردهاید بدون اینکه در یادگیری ماشین تحقیق کنید، موفقیت شما را تبریک میگوییم! این دوره مقدماتی یادگیری ماشین مهارتهای شما را بیشتر میکند و به شما این امکان را میدهد که با دقت، کارایی و همسویی با آخرین بهترین شیوهها و ابزار کار کنید. ناگفته نماند که در خط مقدم علم داده باقی بمانید، بلکه فرصت های سودآور و پیشرفت در حرفه خود را نیز باز کنید.
سرفصل ها و درس ها
رمزگذارها و رمزگشاهای ترانسفورماتور را کاوش کنید
Explore Transformer Encoders and Decoders
معرفی
Introduction
توجه تنها چیزی است که نیاز دارید (اختیاری)
Attention Is All You Need (Optional)
رمزگذارها
Encoders
رمزگشاها
Decoders
رمزگذار-رمزگشا
Encoder-Decoders
چالش
Challenge
ویدئوی راه حل
Solution Video
از LangChain برای تعامل با PDF و اسناد استفاده کنید
Use LangChain to Interact with PDFs and Documents
معرفی
Introduction
بازیابی نسل افزوده (RAG) بیش از 2 مهارت
Retrieval Augmented Generation (RAG) over 2 Skills
لودرهای سند
Document Loaders
جداسازی اسناد
Document Separation
جاسازی ها
Embeddings
چالش
Challenge
از LangChain برای چت با PDF و اسناد استفاده کنید
Use LangChain to Chat with PDFs and Documents
معرفی
Introduction
جستجوی شباهت
Similarity Search
حداکثر ارتباط حاشیه
Maximum Margin Relevance
ContextualCompressionRetriever + MMR
ContextualCompressionRetriever + MMR
پرسش و پاسخ چت
Chat Q&A
چالش
Challenge
پیاده سازی رگرسیون لجستیک با پایتون
Implement Logistic Regression with Python
معرفی
Introduction
فرمول و تابع سیگموئید
The Sigmoid Formula and Function
رگرسیون لجستیک در 4 خط کد
Logistic Regression in 4 lines of Code
اجرای رگرسیون لجستیک
Implement Logistic Regression
چالش
Challenge
یک مدل طبقه بندی جنگل تصادفی پایتون بسازید
Build a Python Random Forest Classification Model
معرفی
Introduction
مفاهیم جنگل تصادفی
Random Forest Concepts
واردات کتابخانهها، مهندسی ویژگی و رمزگذاری تک داغ
Import Libraries, Feature Engineering and One-Hot Encoding
آموزش، آزمایش، پیش بینی و اندازه گیری عملکرد مدل
Train, Test, Predict, and Measure Model Performance
امتیاز: ویدئو تنظیم فراپارامتر
Bonus: Hyperparameter Tuning Video
چالش
Challenge
استفاده از PyTorch Tensor Manipulation و Indexing
Apply PyTorch Tensor Manipulation and Indexing
تانسورها را تغییر شکل دهید، مشاهده کنید و پشته کنید
Reshape, View, and Stack Tensors
فشار دادن و باز کردن تانسورها
Squeeze and Unsqueeze Tensors
تانسورهای جایگشت
Permute Tensors
تانسورهای شاخص
Index Tensors
چالش: ترانسفورماتور تانسور
Challenge: Tensor Transformer
اصول در آغوش گرفتن صورت را بررسی کنید
Examine the Fundamentals of HuggingFace
معرفی
Introduction
مدل ها
Models
مجموعه داده ها
Datasets
فضاها
Spaces
HuggingChat رقیب ChatGPT 🦾🤗
ChatGPT Competitor HuggingChat 🦾🤗
چالش
Challenge
توابع هزینه و تنظیم پارامتر را بررسی کنید
Examine Cost Functions and Parameter Tuning
مقدمه
Introduction
میانگین خطای مطلق
Mean Absolute Error
میانگین مربعات خطا
Mean Squared Error
ریشه میانگین مربعات خطا
Root Mean Squared Error
توابع هزینه
Cost Functions
عملکرد مدل خود را محاسبه کنید
Calculate Your Model's Performance
چالش
Challenge
اصول مدل های زبان بزرگ را کاوش کنید
Explore The Fundamentals of Large Language Models
معرفی
Introduction
LLM ها چگونه کار می کنند؟
How do LLMs work?
دو نوع LLM: پایه و دستورالعمل تنظیم شده
Two Kinds of LLMs: Base and Instruction Tuned
پیام ها و نشانه های سیستم
System Messages and Tokens
چالش: Google Colab را از طریق API OpenAI به ChatGPT متصل کنید
Challenge: Connect Google Colab to ChatGPT via OpenAI's API
یک پرسپترون برای طبقه بندی پیاده سازی کنید
Implement a Perceptron for Classification
معرفی
Introduction
قانون پرسپترون و نورون ها
The Perceptron Rule and Neurons
یک Perceptron را از ابتدا پیاده سازی کنید
Implement a Perceptron from Scratch
یک Perceptron را از ابتدا پیاده سازی کنید
Implement a Perceptron from Scratch
چالش پرسپترون
The Perceptron Challenge
کد چالش
Challenge Code
ویدئوی راه حل
Solution Video
کد راه حل
Solution Code
منابع پاداش
Bonus Resources
عملیات تانسور اساسی PyTorch را کاوش کنید
Explore Fundamental PyTorch Tensor Operations
بررسی: خطاهای ضرب ماتریس
Review: Matrix Multiplication Errors
حداقل، حداکثر، میانگین و مجموع (تجمع تانسور)
Min, Max, Mean, and Sum (Tensor Aggregation)
پیمایش حداقل حداکثر مقادیر موقعیتی
Navigating Positional Min Max Values
چالش
The Challenge
ویدئوی راه حل
Solution Video
یک مدل طبقه بندی درخت تصمیم پایتون بسازید
Build a Python Decision Tree Classification Model
معرفی
Introduction
ویدیوی مفاهیم
Concepts Video
آنتروپی، به دست آوردن اطلاعات و ناخالصی جینی
Entropy, Information Gain, and Gini Impurity
واردات کتابخانهها، مهندسی ویژگی و رمزگذاری تک داغ
Import Libraries, Feature Engineering and One-Hot Encoding
آموزش، آزمایش، پیش بینی و اندازه گیری عملکرد مدل
Train, Test, Predict, and Measure Model Performance
چالش
Challenge
از ویژگی ها و عملگرهای تنسور PyTorch استفاده کنید
Leverage PyTorch Tensor Attributes and Operators
ویژگی های تانسور
Tensor attributes
عملگرهای ریاضی تانسور
Tensor Math Operators
ضرب ماتریس
Matrix Multiplication
چالش دوگانه PyTorch
The PyTorch Double Challenge
چالش آزمایشگاه فیزیک
Physics Lab Challenge
قانون طلایی ضرب ماتریس
Matrix Multiplication Golden Rule
تفکیک راه حل 1: آزمایشگاه فیزیک
Breakdown for Solution 1: Physics Lab
چالش بطری سبز
Green Bottle Challenge
راه حل 2: بطری سبز
Solution 2: Green Bottle
یک طبقهبندی کننده PyTorch با غیر خطی بسازید
Build a PyTorch Classifier with Non-Linearity
معرفی
Introduction
بررسی طبقه بندی شبکه های عصبی بدون غیر خطی
Review Neural Network Classification Without Non-Linearity
ساخت یک طبقه بندی شبکه عصبی با غیر خطی
Build a Neural Network Classification With Non-Linearity
چالش: گردش کار PyTorch 🎉
Challenge: PyTorch Workflows 🎉
تنظیم Hyperparameters و تجزیه و تحلیل Fit با PyTorch
Tune Hyperparameters and Analyze Fit with PyTorch
بررسی: طبقه بندی چند کلاسه را با PyTorch کاوش کنید
Review: Explore Multi-class Classification with PyTorch
مجموعه داده Spiral را ایجاد، پیش پردازش و تجسم کنید
Create, Preprocess, and Visualize the Spiral Dataset
تعریف معماری شبکه عصبی
Define Neural Network Architecture
تنظیم Hyperparameter را کاوش کنید
Explore Hyperparameter Tuning
Underfitting و Overfitting را کاوش کنید
Explore Underfitting and Overfitting
چالش 🎉
Challenge 🎉
ویدئوی راه حل
Solution Video
مبانی یادگیری ماشین تنسورفلو را کاوش کنید
Explore TensorFlow Machine Learning Foundations
مقدمه ای بر TensorFlow Tensor
Introduction to TensorFlow Tensors
ایجاد تانسور با TensorFlow
Create Tensors with TensorFlow
تانسورهای تصادفی با Numpy ایجاد کنید
Create Random Tensors with Numpy
چالش 🎉
Challenge 🎉
برنامه های LLM را با ChatGPT و OpenAI API بسازید
Build LLM Apps with ChatGPT and the OpenAI API
معرفی
Introduction
پرس و جوهای مسیر با استفاده از طبقه بندی برای موارد مختلف
Route Queries Using Classification for Different Cases
ارزیابی ورودی ها برای جلوگیری از تزریق سریع
Evaluate Inputs to Prevent Prompt Injections
OpenAI Moderation API را پیاده سازی کنید
Implement The OpenAI Moderation API
پاکسازی و اعتبارسنجی ورودی ها: حملات تزریقی
Sanitize and Validate Inputs: Injection Attacks
چالش: ورودیها را با فیلتر زنجیرهای از فکر فیلتر کنید
Challenge: Filter Inputs with a Chain of Thought Prompt Filter
اصول PyTorch برای یادگیری ماشین را کاوش کنید
Explore PyTorch Fundamentals for Machine Learning
معرفی
Introduction
یک محیط توسعه PyTorch راه اندازی کنید
Set up a PyTorch Development Environment
مفاهیم تانسورهای اهرمی
Leverage Tensors Concepts
تانسورهای اهرمی به صورت برنامه ریزی شده
Leverage Tensors Programmatically
چالش
Challenge
طبقه بندی شبکه های عصبی را با PyTorch کاوش کنید
Explore Neural Network Classification with PyTorch
عنوان بخش را وارد کنید...
Enter Section Title...
گردش کار PyTorch رگرسیون لجستیک را مرور کنید
Review Logistic Regression PyTorch Workflow
Load Make Moons Dataset & Pre-processing
Load Make Moons Dataset & Pre-processing
تعریف معماری شبکه عصبی
Define Neural Network Architecture
آموزش و ارزیابی مدل
Train and Evaluate Model
چالش: گردش کار PyTorch
Challenge: PyTorch Workflow
حافظه LangChain را برای وظایف مستقل پیاده سازی کنید
Implement LangChain Memory for Autonomous Tasks
معرفی
Introduction
ConversationBufferMemory
ConversationBufferMemory
ConversationBufferWindowMemory
ConversationBufferWindowMemory
ConversationTokenBufferMemory
ConversationTokenBufferMemory
ConversationSummaryBufferMemory
ConversationSummaryBufferMemory
قدرت زنجیر کردن اجزای LangChain
The Power of Chaining LangChain Components
چالش: حافظه LangChain را پیاده سازی کنید
Challenge: Implement LangChain Memory
با PyTorch 2.0 چه چیزی جدید است کشف کنید
Discover What's New with PyTorch 2.0
معرفی
Introduction
راه اندازی دستگاه جهانی در PyTorch 2.0
Universal Device Setup in PyTorch 2.0
ویژگی های کلیدی PyTorch 2.0
Key Features of PyTorch 2.0
PyTorch سنتی 1.0 در مقابل PyTorch 2.0: torch.compile( )
Traditional PyTorch 1.0 Vs PyTorch 2.0: torch.compile( )
چالش 🎉
Challenge 🎉
راه حل تکمیل شده
Completed Solution
توابع هزینه و تنظیم پارامتر را بررسی کنید
Examine Cost Functions and Parameter Tuning
معرفی
Introduction
میانگین خطای مطلق
Mean Absolute Error
خطای میانگین مربعات
Mean Squared Error
ریشه میانگین مربعات خطا
Root Mean Squared Error
توابع هزینه
Cost Functions
عملکرد مدل خود را محاسبه کنید
Calculate Your Model's Performance
چالش
Challenge
اعلان های موثر برای مدل های زبان بزرگ طراحی کنید
Design Effective Prompts for Large Language Models
معرفی
Introduction
مهندسی سریع تکراری
Iterative Prompt Engineering
یک خلاصهنویس برای موضوعات جالب بسازید
Build a Summarizer for Interesting Topics
اجرای یادگیری نظارت شده از طریق استنتاج
Implement Supervised Learning Through Inference
چالش: AutoBot ChatBot را برای مدیریت سفارشات بسازید
Challenge: Build The AutoBot ChatBot To Manage Orders
طبقه بندی چند کلاسه را با PyTorch کاوش کنید
Explore Multi-class Classification with PyTorch
معرفی
Introduction
بررسی "طبقه بندی باینری با PyTorch"
Review of "Binary Classification with PyTorch"
مرحله 1: راه اندازی و آماده سازی داده ها
Step 1: Setup and Prepare Data
مرحله 2: تجسم داده ها (EDA)
Step 2: Visualize Data (EDA)
مرحله 3: معماری شبکه عصبی را تعریف کنید
Step 3: Define Neural Network Architecture
چالش 🎉
Challenge 🎉
ویدئوهای راه حل
Solution Videos
راه حل نوت بوک و آدرس اینترنتی
Solution Notebook and url
اجزای LangChain را برای برنامه های منسجم ترکیب کنید
Combine LangChain Components for Coherent Apps
معرفی
Introduction
زنجیر زنی در LangChain
Chaining in LangChain
LLMCchain
LLMChain
SimpleSequentialChain
SimpleSequentialChain
زنجیره متوالی
SequentialChain
RouterChain
RouterChain
چالش
Challenge
الگوریتم های طبقه بندی کلیدی را شناسایی کنید
Identify Key Classification Algorithms
معرفی
Introduction
از رگرسیون تا طبقه بندی
From Regression to Classification
تجسم طبقه بندی باینری
Binary Classification Visualization
تجسم طبقه بندی چند کلاسه
Multiclass Classification Visualization
رگرسیون لجستیک
Logistic Regression
درختان تصمیم
Decision Trees
جنگل های تصادفی
Random Forests
ماشینهای بردار پشتیبانی
Support Vector Machines
پرسپترون ها
Perceptrons
چالش
Challenge
با LangChain عوامل خودمختار Task-Driven بسازید
Build Task-Driven Autonomous Agents with LangChain
معرفی
Introduction
از نمایندگان LangChain استفاده کنید
Leverage LangChain Agents
انجام محاسبات ریاضی با استفاده از Math LLM
Perform math calculation using an Math LLM
از ویکی پدیا برای یافتن اطلاعات عمومی استفاده کنید
Use Wikipedia to Find General Information
برنامه با استفاده از ابزار Python REPL
Program using a Python REPL tool
ایجاد عوامل سفارشی و ابزار جدید (BabyAGI)
Create new custom agents and tooling (BabyAGI)
اشکال زدایی با LangChain
Debugging with LangChain
چالش
Challenge
پیاده سازی LangChain در گردش کار مدل زبان
Implement LangChain in Language Model Workflows
معرفی
Introduction
مقایسه تماس های Direct API در مقابل. تماس API از طریق LangChain
Compare Direct API Calls Vs. API Calls Through LangChain
از الگوی LangChain برای درخواست های پیچیده استفاده کنید
Leverage LangChain Templating for Complex Prompts
قدرت اهرمی الگوسازی برای کد DRY
Leverage Power of Templating for DRY Code
چالش
Challenge
از مفاهیم رگرسیون برای یادگیری تحت نظارت استفاده کنید
Apply Regression Concepts for Supervised Learning
معرفی
Introduction
تاریخچه مختصر و عجیب رگرسیون خطی
A Brief and Bizarre History of Linear Regression
کاوش روابط خطی: حداقل مربعات معمولی
Explore Linear Relationships: Ordinary Least Squares
خط Seaborn از بهترین تناسب
Seaborn Line of Best Fit
حداقل مربعات معمولی با پلی فیت Matlab
Ordinary Least Squares with Matlab's PolyFit
چالش
Challenge
Gradient Descent & Back Propagation را کاوش کنید
Explore Gradient Descent & Back Propagation
معرفی
Introduction
گرادیان نزول
Gradient Descent
انتشار رو به جلو
Forward Propagation
انتشار پشت
Back Propagation
آموزش، اعتبار سنجی، و مجموعه داده های تست
Training, Validation, and Test Datasets
مجموعه داده های تست قطار را تقسیم کنید
Split The Train Test Datasets
یک مدل رگرسیون خطی بسازید
Build a Linear Regression Model
چالش: تحقیق PyTorch
Challenge: PyTorch Research
مبانی شبکه عصبی را با پرسپترون کاوش کنید
Explore Neural Network Basics With The Perceptron
معرفی
Introduction
نورون ها به عنوان بلوک های سازنده شبکه های عصبی
Neurons as the building blocks of neural networks
پرسپترون ها به عنوان نورون های مصنوعی
Perceptrons As Artificial Neurons
نحوه عملکرد توابع فعال سازی
How Activation Functions Work
یک طبقه بندی کننده پرسپترون باینری ساده بسازید
Build A Simple Binary Perceptron Classifier
کد راه حل
Solution Code
چالش: عملکرد پرسپترون را کامل کنید
Challenge: Complete The Perceptron Function 🍩
ویدئوی راه حل
Solution Video
پیش بینی فروش بستنی با رگرسیون PyTorch
Predict Ice Cream Sales with PyTorch Regression
معرفی
Introduction
شرایط و اطلاعات بارگذاری دستگاه
Device Agnostic Conditions & Load Data
پیش پردازش
Pre-Processing
ساختمان مدل
Model Building
چالش کوچک: آموزش مدل و ارزیابی مدل
Mini-Challenge: Model Training & Model Evaluation
ذخیره و بارگذاری مدل های PyTorch
Saving and Loading PyTorch Models
چالش🎉
Challenge🎉
پیاده سازی یک مدل رگرسیون لجستیک با PyTorch
Implement a Logistic Regression Model with PyTorch
معرفی
Introduction
بررسی طبقه بندی اسکلارن تایتانیک
Review Sklearn Titanic Classification
کد پایتون اسکلارن
Sklearn Python Code
رده بندی PyTorch Titanic را انجام دهید
Perform PyTorch Titanic Classification
چالش
Challenge
کد PyTorch کامل شده است
Completed PyTorch Code
تجمع و دستکاری TensorFlow را کاوش کنید
Explore TensorFlow Aggregation and Manipulation
دانه های تنسورفلو
TensorFlow Seeds
ویژگی های تانسور
Tensor Attributes
نمایه سازی تانسور
Tensor Indexing
تغییر انواع داده های تانسور و تجمع تانسور
Changing Tensor Data Types & Tensor Aggregation
روش های موقعیت تانسور
Tensor Positional Methods
چالش 🎉
Challenge 🎉
اجرای ضرب ماتریس با TensorFlow
Implement Matrix Multiplication with TensorFlow
عملیات پایه تانسور
Basic Tensor Operation
توابع ریاضی TensorFlow
TensorFlow Math Functions
مبانی ضرب ماتریسی
Matrix Multiplication Foundations
ضرب ماتریس را انجام دهید
Perform Matrix Multiplication
چالش
Challenge
تانسورهای TensorFlow را تغییر شکل دهید، جابجا کنید و تغییر دهید
Reshape, Transpose, and Alter TensorFlow Tensors
نقد و بررسی: ضرب ماتریس
Review: Matrix Multiplication
تغییر تانسورها
Altering Tensors
انتقال و تغییر شکل تانسورها
Transpose & Reshape Tensors
گسترش تانسور
Tensor Expansion
چالش 🎉
Challenge 🎉
تانسورهای TensorFlow را فشرده، رمزگذاری و بهینه کنید
Squeeze, Encode, and Optimize TensorFlow Tensors
فشار دادن تانسورها
Squeezing Tensors
فشار دادن تانسورها
Squeezing Tensors
رمزگذاری یک داغ
One-Hot Encoding
Numpy => دوست ❤️
Numpy => Friend ❤️
بهینه سازی تانسور GPU و TPU
GPU & TPU Tensor Optimization
چالش 🎉
Challenge 🎉
رگرسیون شبکه عصبی را با TensorFlow کاوش کنید
Explore Neural Network Regression with TensorFlow
معماری شبکه های عصبی
Neural Network Architecture
یک مدل بسازید
Build a Model
چالش 🎉
Challenge 🎉
ویدئوی راه حل
Solution Video
یک مدل رگرسیون ساده با TensorFlow بسازید
Build a Simple Regression Model with TensorFlow
چالش 🎉
Challenge 🎉
معرفی
Introduction
یک مدل رگرسیون کوچک از حافظه بسازید
Build a Small Regression Model from Memory
ساخت مدل از ابتدا
Build Model From Scratch
🎉 چالش: بهبود مدل
🎉 Challenge: Improve Model
مدل های رگرسیون را با TensorFlow ارزیابی کنید
Evaluate Regression Models with TensorFlow
معرفی
Introduction
چالش رگرسیون
Regression Challenge
پیش پردازش داده ها
Preprocess Data
🎉 چالش: ساخت مدل
🎉 Challenge: Build Model
راه حل چالش
Challenge Solution
بهبود مدل
Improve Model
ارزیابی و پیش بینی
Evaluation & Prediction
تجسم و ارزیابی عملکرد با TensorFlow
Visualize and Evaluate Performance with TensorFlow
معرفی
Introduction
ایجاد داده های تبدیل خطی
Generate Linear Transformation Data
معیارهای ارزیابی رایج: MAE، MSE، و Huber
Common Evaluation Metrics: MAE, MSE, & Huber
تقسیم داده ها برای آموزش و آزمایش مجموعه داده ها
Split Data for Train and Test Datasets
تعریف معماری مدل پایه
Define Basic Model Architecture
پیش بینی کنید و مدل را ارزیابی کنید
Make Predictions and Evaluate Model
🎉 چالش
🎉 Challenge
ویدئوی راه حل
Solution Video
نرمال کردن داده ها و مقیاس ویژگی ها با TensorFlow
Normalize and Feature Scale Data with TensorFlow
معرفی
Introduction
مدیریت واردات و بارگذاری مجموعه داده
Handle Imports & Load Dataset
رمزگذاری یکطرفه و ویژگیها و هدف جداگانه
One-hot Encode & Separate Features and Target
انجام تقسیم قطار/تست
Perform Train/Test Split
معماری مدل را تعریف کنید
Define Model Architecture
مدل را ارزیابی کنید و ضرر را تجسم کنید
Evaluate Model and Visualize Loss
🎉 چالش
🎉 Challenge
یک طبقه بندی TensorFlow با غیر خطی بسازید
Build a TensorFlow Classifier with Non-Linearity
معرفی
Introduction
بررسی داده های غیرخطی قابل تفکیک
Review Non-Linearly Separable Data
ایجاد حلقه های داده
Create Circles DataSet
ایجاد مدل دوم
Create Second Model
ایجاد مدل سوم
Create Third Model
ایجاد مدل چهارم
Create Fourth Model
🎉 چالش
🎉 Challenge
راه حل
Solution
مدل های TensorFlow طبقه بندی چند کلاسه را تنظیم کنید
Tune Multi-Class Classification TensorFlow Models
معرفی
Introduction
طبقه بندی چند کلاسه مد MNIST را مرور کنید
Review MNIST Fashion Multi-Class Classifier
مجموعه داده را بارگیری و تجسم کنید
Load and Visualize Dataset
ویژگی های One-Hot Encode و مدل ساخت
One-Hot Encode Features and Build Model
Softmax و Validation Exploration
Softmax and Validation Exploration
🎉 چالش
🎉 Challenge
طبقه بندی شبکه عصبی TensorFlow را کاوش کنید
Explore TensorFlow Neural Network Classification
معرفی
Introduction
نمونه کد طبقه بندی
Classification Code Example
🎉 چالش
🎉 Challenge
طبقه بندی چند کلاسه را با TensorFlow کاوش کنید
Explore Multi-Class Classification with TensorFlow
معرفی
Introduction
مقایسه طبقه بندی باینری و چند کلاسه
Compare Binary and Multi-Class Classification
یک طبقه بندی کننده چند کلاسه ماشین قابل آموزش ایجاد کنید
Create a Teachable Machine Multi-Class Classifier
مراحل ساخت مدل را مرور کنید
Review Model Building Steps
مجموعه داده های مد MNIST را بارگیری و کاوش کنید
Load and Explore MNIST Fashion Dataset
🎉 چالش
🎉 Challenge
طبقه بندی چند برچسبی را با TensorFlow کاوش کنید
Explore Multi-Label Classification with TensorFlow
معرفی
Introduction
طبقه بندی باینری، چند کلاسه و چند برچسبی
Binary, Multi-Class, and Multi-Label Classification
شروع به ساخت یک طبقه بندی کننده چند برچسبی کنید
Start Building a Multi-Label Classifier
یک مدل متوالی چند برچسبی بسازید
Build a Sequential Multi-Label Model
ارزیابی مدل
Evaluate Model
🎉 چالش
🎉 Challenge
با TensorFlow یک طبقهبندی شبکه عصبی بسازید
Build a Neural Network Classifier with TensorFlow
معرفی
Introduction
طبقه بندی تصاویر را کاوش کنید
Explore Image Classification
طبقه بندی تصویر شبه کد
Pseudocode Image Classification
مجموعه داده و EDA حلقه ها را ایجاد کنید
Create Circles Dataset & EDA
ساخت، کامپایل و آموزش مدل
Build, Compile, and Train Model
🎉 چالش
🎉 Challenge
ویدئوی راه حل
Solution Video
ویدئوی جایزه
Bonus Video
مدل های طبقه بندی TensorFlow را ارزیابی کنید
Evaluate TensorFlow Classification Models
معرفی
Introduction
بررسی: نرخ یادگیری
Review: Learning Rates
نرخ های یادگیری تطبیقی
Adaptive Learning Rates
پنج معیار ارزیابی بزرگ
Big Five Evaluation Metrics
🎉 چالش
🎉 Challenge
ویدئوی راه حل
Solution Video
خطوط لوله داده و رگرسیون خطی را کاوش کنید
Explore Data Pipelines and Linear Regression
معرفی
Introduction
پیش بینی قیمت چوب: جمع آوری داده ها
Predicting Lumber Prices: Data Collection
پیش بینی قیمت چوب: پاکسازی و پیش پردازش داده ها
Predicting Lumber Prices: Data Cleaning & Preprocessing
پیش بینی قیمت چوب: استخراج ویژگی
Predicting Lumber Prices: Feature Extraction
چالش
Challenge
Regularization را برای غلبه بر برازش اعمال کنید
Apply Regularization to Overcome Overfitting
معرفی
Introduction
سه گزینه برای کنترل بیش از حد نصب
Three Options for Handling Overfitting
بیش از حد برای طبقه بندی
Overfitting for Classification
مقایسه توابع هزینه
Comparing Cost Functions
رگرسیون لجستیک را با منظم سازی انجام دهید
Perform Logistic Regression with Regularization
چالش
Challenge
یک محیط توسعه یادگیری ماشین راه اندازی کنید
Setup a Machine Learning Development Environment
معرفی
Introduction
آناکوندا، کوندا و ژوپیتر
Anaconda, Conda and Jupyter
گوگل کولب
Google Colab
خدمات ابری: AWS، GCP و Azure
Cloud Services: AWS, GCP, and Azure
چالش
Challenge
تعریف یادگیری ماشینی چیست؟
Define What is Machine Learning?
معرفی
Introduction
تحت نظارت
Supervised
نظارت نشده
Unsupervised
یک طبقه بندی کننده تصویر بسازید
Build an Image Classifier
پیش بینی قیمت چوب با رگرسیون خطی
Predicting Lumber Prices with Linear Regression
چالش
Challenge
اعمال احتمال برای مشکلات هوش مصنوعی در دنیای واقعی
Apply Probability to Real-World AI Problems
معرفی
Introduction
احتمال چرخاندن یک قالب 6 وجهی
Probability of Rolling One 6-sided Die
شبیه سازی Die Roll
Die Roll Simulation
احتمالات دای رول
Die Roll Probabilities
احتمال انداختن دو تاس 6 طرفه
Probability of Rolling Two 6-sided Dice
توزیع احتمال انداختن دو تاس 6 طرفه
Probability Distribution of Rolling Two 6-sided Dice
احتمال شرطی
Conditional Probability
شبکه های بیزی
Bayesian Networks
قانون بای
Baye's Rule
خلاصه نویسی
Recapitulation
چالش
Challenge
نحوه هدایت مسیرهای رانندگی توسط عوامل هوش مصنوعی را بررسی کنید
Explore How AI Agents Navigate Driving Directions
معرفی
Introduction
جستجوی خودکار بزرگ
Grand Search Auto
مرز را کاوش کنید
Explore the Frontier
Depth-First Search
Depth-First Search
جستجوی عرض-اول
Breadth-First Search
Greedy-Best First and A* Search
Greedy-Best First and A* Search
چالش
Challenge
اجرای گرادیان نزول برای رگرسیون خطی
Implement Gradient Descent for Linear Regression
معرفی
Introduction
کاوش در مفاهیم گرادیان نزول
Exploring Gradient Descent Concepts
کاوش در الگوریتم گرادیان نزول
Exploring The Gradient Descent Algorithm
نزول گرادیان پشت صحنه
Gradient Descent Behind the Scenes
پیاده سازی الگوریتم گرادیان نزول
Implementing The Gradient Descent Algorithm
چالش
Challenge
بردار کردن عملیات برای رگرسیون چندگانه
Vectorize Operations for Multiple Regression
معرفی
Introduction
رگرسیون خطی چندگانه
Multiple Linear Regression
عملیات غیربردار
Non-Vectorized Operations
تفسیر وزن ها
Interpreting the Weights
تبریک میگم 🎉
Congrats! 🎉
چالش
Challenge
مهندسی ویژگی و آماده سازی داده ها را کاوش کنید
Explore Feature Engineering and Data Preparation
معرفی
Introduction
رسیدگی به داده های از دست رفته
Handling Missing Data
رسیدگی به موارد پرت
Handling Outliers
یک کدگذاری داغ
One Hot Encoding
تعریف، تقسیم و مقیاس کردن ویژگی ها
Define, Split and Scale Features
اندازه گیری دقت بقا
Measuring Survival Accuracy
چالش
Challenge
یک طبقهبندی کننده ماشین بردار پشتیبانی بسازید
Build a Support Vector Machine Classifier
معرفی
Introduction
Hyperplanes بهینه و حاشیه
Optimal Hyperplanes and the Margin
بارگذاری و پیش پردازش داده ها
Data Loading and PreProcessing
ساخت و ارزیابی مدل
Build and Evaluate the Model
مجموعه داده های سرطان سینه ویسکانسین (تشخیصی).
Breast Cancer Wisconsin (Diagnostic) Dataset
چالش
Challenge
یک K-Nearest Neighbors Classifier بسازید
Build a K-Nearest Neighbors Classifier
معرفی
Introduction
KNN در مقابل سایر طبقه بندی کننده ها
KNN vs. Other Classifiers
بارگذاری داده و EDA
Data Loading and EDA
پیش پردازش داده ها
Data PreProcessing
ساخت و ارزیابی مدل
Build and Evaluate the Model
چالش
Challenge
نمایش نظرات