آموزش مقدمه ای بر یادگیری ماشینی

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