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

  • خوشه‌بندی سلسله‌مراتبی تراکمی Hierarchical Agglomerative Clustering

  • خوشه‌بندی سلسله‌مراتبی: انواع پیوندها (Linkage) Hierarchical Agglomerative Clustering: Hierarchical Linkage Types

  • پیاده‌سازی خوشه‌بندی سلسله‌مراتبی Applying Hierarchical Agglomerative Clustering

  • الگوریتم DBSCAN DBSCAN

  • تصویرسازی الگوریتم DBSCAN Visualizing DBSCAN

  • الگوریتم Mean Shift Mean Shift

  • مقایسه الگوریتم‌ها Comparing Algorithms

  • نوت‌بوک خوشه‌بندی - بخش ۱ Clustering Notebook - Part 1

  • نوت‌بوک خوشه‌بندی - بخش ۲ Clustering Notebook - Part 2

  • (اختیاری) نوت‌بوک خوشه‌بندی - بخش ۳ (Optional) Clustering Notebook - Part 3

  • نوت‌بوک خوشه‌بندی - بخش ۴ Clustering Notebook - Part 4

کاهش ابعاد Dimensionality Reduction

  • کاهش ابعاد: مرور کلی Dimensionality Reduction: Overview

  • کاهش ابعاد: تحلیل مؤلفه‌های اصلی (PCA) Dimensionality Reduction: Principal Component Analysis

  • (اختیاری) نوت‌بوک کاهش ابعاد - بخش ۱ (Optional) Dimensionality Reduction Notebook - Part 1

  • نوت‌بوک کاهش ابعاد - بخش ۲ Dimensionality Reduction Notebook - Part 2

  • مثال کاهش ابعاد در تصاویر Dimensionality Reduction Imaging Example

کاهش ابعاد غیرخطی و مبتنی بر فاصله Nonlinear and Distance-Based Dimensionality Reduction

  • تحلیل مؤلفه‌های اصلی هسته‌ای و مقیاس‌بندی چندبعدی Kernel Principal Component Analysis and Multidimensional Scaling

  • نوت‌بوک کاهش ابعاد - بخش ۳ Dimensionality Reduction Notebook - Part 3

تجزیه ماتریس Matrix Factorization

  • تجزیه ماتریس غیرمنفی Non Negative Matrix Factorization

  • نوت‌بوک تجزیه ماتریس غیرمنفی - بخش ۱ Non Negative Matrix Factorization Notebook - Part 1

  • نوت‌بوک تجزیه ماتریس غیرمنفی - بخش ۲ Non Negative Matrix Factorization Notebook - Part 2

پروژه نهایی Final Project

نمایش نظرات

آموزش یادگیری ماشین بدون نظارت (Unsupervised Machine Learning)
جزییات دوره
22h 41m
38
(آخرین آپدیت)
50,037
- از 5
دارد
دارد
دارد
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

Mark J Grover Mark J Grover

Miguel Maldonado Miguel Maldonado