آموزش مقدمه ای بر یادگیری ماشینی

دانلود Introduction to Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
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 بدانید

این 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

آموزش مقدمه ای بر یادگیری ماشینی
جزییات دوره
48h
381
CBTNuggets CBTNuggets
(آخرین آپدیت)
-
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jonathan Barrios Jonathan Barrios

"کمک به متخصصان داده در مورد داده ها و دیدن موفقیت آنها یکی از بزرگترین علایق من به عنوان یک مربی است. من دوست دارم یاد بگیرم، دانش خود را به اشتراک بگذارم و به دیگران کمک کنم تا موفق شوند - به همین دلیل است که من مشتاق هستم که یک مربی در CBT Nuggets باشم. " جاناتان کار خود را به عنوان یک توسعه دهنده کامل شروع کرد و به سرعت علاقه مند شد تا تجربه آموزش آنلاین خود را با علم داده و دانش یادگیری ماشین خود ترکیب کند. جاناتان یک برنامه نویس، مربی تجزیه و تحلیل داده ها، و نویسنده برنامه درسی برای چندین پلتفرم آموزش آنلاین پیشرو بوده است و هیجان زده است که مهارت ها و تجربه آموزشی خود را با پزشکان مشتاق داده در CBT Nuggets به اشتراک بگذارد.

ارتباط با جاناتان:

توسعه نرم افزار کامل، تجزیه و تحلیل داده، علم داده، یادگیری ماشین و فناوری های ابری مانند AWS و Google Cloud. HTML، CSS، جاوا اسکریپت، PHP، Python، SQL، NoSQL، و فریمورک‌ها/کتابخانه‌هایی مانند Laravel، Vue، Tailwind، React، Gatsby، Django، NumPy، پانداها، Matplotlilb، Scrappy، BeautifulSoup، SciPy-Soup، SciPy، Seaborn، Learn، Tensorflow و PySpark.