آموزش Scalecast: یادگیری ماشینی و یادگیری عمیق

Scalecast: Machine Learning & Deep Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: پردازش داده‌های سری زمانی با Scalecast برای یادگیری ماشینی و یادگیری عمیق تجزیه و تحلیل داده‌ها و کاوش ترسیم نمودارها رابط‌های مقیاس‌بندی برای یادگیری ماشین و یادگیری عمیق نتایج صادرات پیش نیازها: قرار گرفتن در معرض پایتون و سطح ابتدایی ML و DL مزیت است.

مدل‌سازی یکنواخت (یعنی مدل‌هایی از مجموعه متنوعی از کتابخانه‌ها، از جمله scikit-learn، statsmodels، و tensorflow)، گزارش‌دهی و تجسم داده‌ها از طریق رابط‌های Scalecast ارائه می‌شوند. ذخیره و پردازش داده‌ها پس از آن آسان می‌شود زیرا همه داده‌های قابل اجرا، پیش‌بینی‌ها و بسیاری از معیارهای مشتق شده در چند شی با سفارشی‌سازی بسیار در دسترس از طریق ماژول‌های مختلف قرار دارند.

توانایی پیش‌بینی بر اساس مشاهدات تاریخی، مزیت رقابتی ایجاد می‌کند. به عنوان مثال، اگر سازمانی ظرفیت پیش بینی بهتر مقادیر فروش یک محصول را داشته باشد، در موقعیت مطلوب تری برای بهینه سازی سطح موجودی خواهد بود. این امر می‌تواند منجر به افزایش نقدینگی ذخایر نقدی سازمان، کاهش سرمایه در گردش و بهبود رضایت مشتریان با کاهش حجم سفارشات شود. در حوزه یادگیری ماشین، مجموعه‌ای از روش‌ها و تکنیک‌ها وجود دارد که به‌ویژه برای پیش‌بینی مقدار یک متغیر وابسته با توجه به زمان مناسب هستند، ARIMA یکی از تکنیک‌های مهم است.

LSTM یک شبکه عصبی بازگشتی (RNN) است که در یادگیری عمیق به دلیل معماری بهینه آن استفاده می شود تا الگو را به راحتی در داده های متوالی ثبت کند. مزیت این نوع شبکه این است که می تواند در طول توالی های طولانی یاد بگیرد و به خاطر بسپارد و به مشاهدات تاخیری پنجره از پیش تعیین شده به عنوان ورودی متکی نیست. کتابخانه scalecast میزبان TensorFlow LSTM است که به راحتی می تواند برای کارهای پیش بینی سری های زمانی به کار گرفته شود. این بسته به گونه ای طراحی شده است که بسیاری از دردسرهای اجرای پیش بینی های سری زمانی را از بین ببرد. از TensorFlow در زیر هود استفاده می کند.

برخی از ویژگی ها عبارتند از:

انتخاب تاخیر، روند و فصلی

تنظیم فراپارامتر با استفاده از جستجوی شبکه و سری زمانی

تحولات

مدل های Scikit

ARIMA

LSTM

چند متغیره

- تکلیف


سرفصل ها و درس ها

Scalecast - ML و DL Scalecast - ML and DL

  • بررسی اجمالی دوره Course Overview

  • معرفی Introduction

  • پیش بینی کننده Forecaster

  • ترسیم داده ها Data Plotting

  • برآوردگر - رگرسیون خطی چندگانه Estimator- Multiple Linear Regression

  • چند مدل یادگیری ماشینی Multiple Machine Learning Models

  • تجزیه و تحلیل سری های زمانی - 1 Analyzing Time Series - 1

  • تجزیه و تحلیل سری های زمانی - 2 Analyzing Time Series - 2

  • تحولات - 1 Transformations - 1

  • تحولات - 2 Transformations - 2

  • تبدیل ها مثال-1 Transformations Example-1

  • تبدیل ها مثال-2 Transformations Example-2

  • تحولات با پیش بینی Transformations with Prediction

  • نمای کلی ARIMA ARIMA overview

  • ARIMA - رویکرد ساده ARIMA - Simple Approach

  • ARIMA - رویکرد تکراری ARIMA - Iterative Approach

  • ARIMA Auto - نمای کلی ARIMA Auto - Overview

  • ARIMA Auto - پیاده سازی ARIMA Auto - Implementation

  • ARIMA - جستجوی شبکه ARIMA - grid search

  • صادرات نتایج Exporting results

  • استفاده پیش فرض LSTM LSTM default usage

  • LSTM و رگرسیون خطی LSTM and Linear Regression

  • پیش بینی LSTM - 1 LSTM Prediction - 1

  • پیش بینی LSTM -2 LSTM Prediction -2

  • پیش بینی LSTM - 3 LSTM Prediction - 3

  • بررسی اجمالی چند متغیره Multivariate Overview

  • چند متغیره مثال 1 - 1 Multivariate Example 1 - 1

  • چند متغیره مثال 1 - 2 Multivariate Example 1 - 2

  • چند متغیره مثال 1 - 3 Multivariate Example 1 - 3

  • چند متغیره مثال 1 - 4 Multivariate Example 1 - 4

  • چند متغیره مثال 2 - 1 Multivariate Example 2 - 1

  • چند متغیره مثال 2 - 2 Multivariate Example 2 - 2

  • چند متغیره مثال 2 - 3 Multivariate Example 2 - 3

  • چند متغیره مثال 2 - 4 Multivariate Example 2 - 4

  • چند متغیره مثال 2 - 5 Multivariate Example 2 - 5

  • تکلیف چند متغیره Multivariate Assignment

  • اطلاعات کد منبع Sourcecode Information

پشتیبانی از ویدیوها Supporting Videos

  • مقدمه یادگیری ماشین Machine Learning Introduction

  • مقدمه یادگیری عمیق Deep Learning Introduction

  • RNN RNN

  • RNN با Keras RNN with Keras

  • LSTM LSTM

  • LSTM با Keras LSTM with Keras

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش Scalecast: یادگیری ماشینی و یادگیری عمیق
جزییات دوره
8 hours
43
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,017
4.9 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

Shrirang Korde Shrirang Korde

TechnologistShrirang یک متخصص فناوری در توسعه محصول با مواجهه بین المللی است. بیش از 25 سال تجربه غنی وی در سراسر شرکت هایی مانند Bharat Electronics Bangalore (BEL) ، Tata Elxsi Bangalore / ژاپن ، Philips Software Bangalore / هلند ، Persistent Systems Pune / Nagpur ، راه اندازی مبتنی بر ERP و آموزش ها وجود دارد. وی مشتریان مختلف خارج از کشور را در کشورهایی مانند ایالات متحده آمریکا ، ژاپن ، تایوان ، هلند و بلژیک از جمله کار در محل کار کرده است. او در راه اندازی ماشین جوجه کشی فناوری در VNIT Nagpur با همکاری SINE @ IIT-Bombay نقش مهمی داشت. وی همچنین دارای 10 سال تجربه کار در دانشگاه و استخدام جانبی است. وی مربی برنامه TCS iON است و آموزش آنلاین دوره IoT (از طریق پلتفرم iC TCS) را ارائه می دهد. وی مسئول راه اندازی آزمایشگاه اینترنت اشیا در یکی از دانشکده های مهندسی بود. جدای از این ، وی در حال بازدید از دانشکده VNIT (NIT Nagpur) و سایر کالج های Nagpur بود. وی برنامه های آموزشی را برای دانشکده ها (FDP) و دانشجویان انجام می دهد. وی کتابی با عنوان "21 آزمایش اینترنت اشیا" (یاشوانت کنتکار / شریرنگ کرد) تالیف کرده است.