لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین بدون نظارت (Unsupervised Machine Learning)
- آخرین آپدیت
دانلود Unsupervised Machine Learning
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره آموزشی شما را با یکی از انواع اصلی یادگیری ماشین، یعنی یادگیری بدون نظارت آشنا میکند. شما یاد خواهید گرفت که چگونه از مجموعه دادههایی که متغیر هدف یا برچسب ندارند، بینشهای ارزشمند استخراج کنید. در این دوره با چندین الگوریتم خوشهبندی و کاهش ابعاد برای یادگیری بدون نظارت آشنا شده و نحوه انتخاب بهترین الگوریتم متناسب با دادههای خود را میآموزید. بخش عملی این دوره بر استفاده از بهترین روشهای کاربردی در یادگیری بدون نظارت تمرکز دارد.
در پایان این دوره قادر خواهید بود:
انواع مسائل مناسب برای رویکردهای یادگیری بدون نظارت را توضیح دهید
نفرین ابعاد (Curse of Dimensionality) و نحوه دشوار کردن خوشهبندی در ویژگیهای زیاد را شرح دهید
الگوریتمهای رایج خوشهبندی و کاهش ابعاد را توصیف و استفاده کنید
نقاط داده را در صورت لزوم خوشهبندی کرده و عملکرد مدلهای هر خوشه را مقایسه کنید
معیارهای مرتبط با تعیین ویژگیهای خوشهها را درک کنید
این دوره برای چه کسانی مناسب است؟
این دوره برای علاقهمندان به علوم داده طراحی شده است که قصد دارند تجربه عملی در تکنیکهای یادگیری ماشین بدون نظارت در محیطهای تجاری کسب کنند.
چه مهارتهایی باید داشته باشید؟
برای بهرهوری حداکثری از این دوره، باید با برنامهنویسی در محیط پایتون و همچنین مفاهیم بنیادی پاکسازی دادهها، تحلیل اکتشافی دادهها (EDA)، حساب دیفرانسیل و انتگرال، جبر خطی، احتمال و آمار آشنایی داشته باشید.
سرفصل ها و درس ها
مقدمهای بر یادگیری بدون نظارت و الگوریتم K-Means
Introduction to Unsupervised Learning and K Means
معرفی دوره
Course Introduction
مقدمهای بر یادگیری بدون نظارت: مرور کلی
Introduction to Unsupervised Learning: Overview
مقدمهای بر یادگیری بدون نظارت: کاربردهای خوشهبندی
Introduction to Unsupervised Learning: Use Cases of Clustering
مقدمهای بر خوشهبندی
Introduction to Clustering
الگوریتم K-Means
K-Means
مقداردهی اولیه K-Means
K-Means Initialization
انتخاب تعداد بهینه خوشهها در K-Means
Selecting the Right Number of Clusters in K-Means
روش آرنج (Elbow) و پیادهسازی K-Means
Elbow method and Applying K-means
(اختیاری) نوتبوک K-Means - بخش ۱
(Optional) K Means Notebook - Part 1
نوتبوک K-Means - بخش ۲
K Means Notebook - Part 2
(اختیاری) نوتبوک K-Means - بخش ۳
(Optional) K Means Notebook - Part 3
معیارهای فاصله و چالشهای محاسباتی
Distance Metrics & Computational Hurdles
معیارهای فاصله: فاصله اقلیدسی و منهتن
Distance Metrics: Euclidean and Manhattan Distance
معیارهای فاصله: فاصله کسینوسی و جاکارد
Distance Metrics: Cosine and Jaccard Distance
نوتبوک نفرین ابعاد - بخش ۱
Curse of Dimensionality Notebook - Part 1
نوتبوک نفرین ابعاد - بخش ۲
Curse of Dimensionality Notebook - Part 2
نوتبوک نفرین ابعاد - بخش ۳
Curse of Dimensionality Notebook - Part 3
نوتبوک نفرین ابعاد - بخش ۴
Curse of Dimensionality Notebook - Part 4
انتخاب الگوریتم خوشهبندی
Selecting a Clustering Algorithm
نمایش نظرات