آموزش یادگیری ماشین با پایتون: تحلیل و کاربرد - آخرین آپدیت

دانلود Machine Learning in Python: Analyze & Apply

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در پایان این دوره، فراگیران قادر خواهند بود مفاهیم بنیادی یادگیری ماشین را تحلیل کرده، از کتابخانه NumPy برای محاسبات عددی استفاده کنند، داده‌ها را با Matplotlib بصری‌سازی نمایند و مجموعه‌داده‌های ساختاریافته را با استفاده از Pandas مدیریت کنند. همچنین آن‌ها توانایی ارزیابی مدل‌های نظارت شده (Supervised) و نظارت نشده (Unsupervised) در scikit-learn، بهینه‌سازی عملکرد از طریق تکنیک‌های اعتبارسنجی و پیاده‌سازی کاربردهای پیشرفته مانند تشخیص چهره، طبقه‌بندی متن و تحلیل احساسات را کسب خواهند کرد. این دوره یک مسیر جامع و عملی برای تسلط بر اکوسیستم علوم داده در پایتون ارائه می‌دهد. هر ماژول تعادلی میان شفافیت مفهومی و مثال‌های کدنویسی کاربردی برقرار کرده است تا اطمینان حاصل شود که فراگیران نه‌تنها تئوری را درک می‌کنند، بلکه مهارت‌های دنیای واقعی را نیز می‌سازند. گنجاندن مباحث پیشرفته‌ای مانند استخراج ویژگی، تنظیم پارامترها و پردازش زبان طبیعی (NLP)، این دوره را از معرفی‌های معمولی یادگیری ماشین متمایز می‌کند. چه در علوم داده مبتدی باشید و چه متخصصی که به دنبال تقویت مهارت‌های کاربردی در یادگیری ماشین است، این دوره یک سفر آموزشی ساختاریافته و پروژه‌محور را ارائه می‌دهد. فراگیران با اعتمادبه‌نفس کامل، قادر به ساخت، اعتبارسنجی و استقرار راهکارهای یادگیری ماشین در حوزه‌های مختلف خواهند بود.

سرفصل ها و درس ها

مبانی یادگیری ماشین و NumPy Foundations of Machine Learning and NumPy

  • مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

  • مزایا و معایب یادگیری ماشین Advantages and Disadvantages of Machine Learning

  • آشنایی با NumPy NumPy Introduction

  • ویژگی‌ها و نصب Features and Installation

  • ایجاد آرایه‌ها در NumPy NumPy Array Creation

  • ویژگی‌های آرایه در NumPy NumPy Array Attributes

  • عملیات روی آرایه‌های NumPy NumPy Array Operations

  • ادامه عملیات روی آرایه‌های NumPy NumPy Array Operations Continue

  • عملیات تک‌گانه (Unary) روی آرایه‌ها NumPy Array Unary Operations

  • برش آرایه‌های NumPy Numpy Array Splicing

  • تغییر شکل (Shape) آرایه‌ها NumPy Array Shpe

  • ترکیب و چسباندن آرایه‌های مختلف Stacking Together Different Arrays

  • تقسیم یک آرایه به چندین آرایه کوچک‌تر Splitting one Array into Several Smaller ones

  • نسخه‌ها و نماها (Copies and Views) Copies and Views

مدیریت داده‌ها با NumPy، Matplotlib و Pandas Data Handling with NumPy, Matplotlib, and Pandas

  • اندیس‌گذاری آرایه‌ها در NumPy NumPy Array Indexing

  • ادامه اندیس‌گذاری آرایه‌ها NumPy Array Indexing Continue

  • اندیس‌گذاری بولی در NumPy NumPy Array Boolean

  • مقدمه‌ای بر Matplotlib Introduction to Matlplotlib

  • درک توابع مختلف Pyplot Understanding Various Functions of Pyplot

  • نمودارهای چندگانه و زیرنمودارها Multiple Figures and Subplots

  • آشنایی با Pandas Intro to Pandas

  • ادامه آشنایی با Pandas Intro to Pandas Continue

  • ساختار داده‌ها در Pandas Data Structure in Pandas

  • ادامه ساختار داده‌ها در Pandas Data Structure in Pandas Continue

  • انتخاب ستون‌ها در Pandas Pandas Column Select

  • عملیات حذف داده‌ها Remove Operations

  • عملیات محاسباتی در Pandas Pandas Arithmetic Operations

  • ادامه عملیات محاسباتی در Pandas Pandas Arithmetic Operations Continue

  • مقدمه‌ای بر Scikit Learn Introduction to Scikit Learn

یادگیری نظارت شده و نظارت نشده با Scikit Learn Supervised and Unsupervised Learning with Scikit-Learn

  • یادگیری نظارت شده Supervised

  • یادگیری نظارت نشده Unsupervised Learning

  • بارگذاری مجموعه‌داده Load Data Set

  • مثال اعداد در Scikit Scikit Example Digits

  • بصری‌سازی مجموعه‌داده اعداد با Matplotlib Digits Dataset Using Matplotlib

  • درک معیارهای ارزیابی اعداد پیش‌بینی شده Understading Metrics of Predicted Digits Dataset

  • ذخیره‌سازی و بازیابی مدل‌ها Persisting Models

  • الگوریتم K-NN به همراه مثال K-NN Algorithm with Example

  • اعتبارسنجی متقاطع (Cross Validation) Cross Validation

  • تکنیک‌های اعتبارسنجی متقاطع Cross Validation Techniques

  • مثال خوشه‌بندی K-Means K-Means Clustering Example

  • خوشه‌بندی سلسله‌مراتبی (Agglomeration) Agglomeration

  • خط لوله PCA PCA Pipeline

کاربردهای پیشرفته یادگیری ماشین Advanced Applications of Machine Learning

  • تشخیص چهره Face Recognition

  • خروجی تشخیص چهره Face Recognition Output

  • انتخاب تخمین‌زن مناسب Right Estimator

  • مثال داده‌های متنی Text Data Example

  • استخراج ویژگی‌ها Extracting Features

  • تبدیل تکرارها به فراوانی‌ها Occurrences to Frequencies

  • آموزش طبقه‌بندی‌کننده Classifier Training

  • تحلیل عملکرد روی مجموعه تست Performance Analysis on the Test Set

  • تنظیم پارامترها Parameter Tuning

  • تشخیص زبان Language Identifcation

  • جریان تحلیل نظرات فیلم Movie Review Screen Stream

  • ادامه جریان تحلیل نظرات فیلم Movie Review Screen Stream Continue

نمایش نظرات

آموزش یادگیری ماشین با پایتون: تحلیل و کاربرد
جزییات دوره
13h 53m
54
(آخرین آپدیت)
120
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده