لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات