آموزش سیستم های توصیه کننده و یادگیری عمیق در پایتون

Recommender Systems and Deep Learning in Python

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: عمیق ترین دوره آموزشی سیستم های توصیه با تکنیک های یادگیری عمیق، یادگیری ماشین، علم داده و هوش مصنوعی با استفاده از الگوریتم های ساده و پیشرفته، توصیه های دقیق را برای کاربران خود درک و پیاده سازی کنید. فاکتورسازی ماتریس کلان داده در Spark با AWS EC2 Cluster Matrix Factorization/SVD in Pure Numpy Matrix Factorization in Keras Deep Neural Networks, Residual Networks and autoencoder in Keras Restricted Boltzmann Machine in Tensorflow پیش نیازها: برای بخش های قبلی، فقط مقداری حساب پایه را بدانید برای مقاطع پیشرفته، حساب دیفرانسیل و انتگرال، جک خطی را بدانید. و احتمال درک عمیق‌تر در پایتون و پشته Numpy مسلط باشید (دوره رایگان من را ببینید) برای بخش یادگیری عمیق، اصول اولیه استفاده از Keras را بدانید

باور کنید یا نه، امروزه تقریباً همه مشاغل آنلاین از سیستم های توصیه گر به نحوی استفاده می کنند.

منظورم از "سیستم های توصیه کننده" چیست و چرا مفید هستند؟

بیایید به 3 وب‌سایت برتر اینترنت مطابق با الکسا نگاهی بیندازیم: Google، YouTube و Facebook.

سیستم‌های توصیه‌کننده اساس این فناوری‌ها را تشکیل می‌دهند.

Google : نتایج جستجو

به همین دلیل است که Google موفق‌ترین شرکت فناوری امروز است.

YouTube : داشبورد ویدیو

مطمئنم من تنها کسی نیستم که به‌طور تصادفی ساعت‌ها را در YouTube سپری می‌کنم، زمانی که کارهای مهم‌تری برای انجام دادن داشتم! آنها چگونه شما را متقاعد می کنند که این کار را انجام دهید؟

درست است. سیستم های توصیه کننده!

فیس بوک: آنقدر قدرتمند که دولت های جهان نگران هستند که فید خبری تأثیر زیادی روی مردم بگذارد! (یا شاید نگران از دست دادن قدرت خود هستند... هوم...)

شگفت‌انگیز!


این دوره مجموعه بزرگی از ترفندها است که باعث می‌شود سیستم‌های توصیه‌گر در چندین پلتفرم کار کنند.

ما به الگوریتم‌های فید خبری معروف، مانند Reddit، Hacker News، و Google PageRank نگاه خواهیم کرد.

به تکنیک‌های توصیه بیزی که امروزه توسط تعداد زیادی از شرکت‌های رسانه‌ای استفاده می‌شود، نگاه خواهیم کرد.


اما این دوره فقط در مورد فیدهای خبری نیست.

شرکت‌هایی مانند آمازون، نتفلیکس و Spotify سالهاست که از توصیه‌هایی برای پیشنهاد محصولات، فیلم‌ها و موسیقی به مشتریان استفاده می‌کنند.

این الگوریتم‌ها منجر به میلیاردها دلار درآمد اضافه شده است.

بنابراین به شما اطمینان می‌دهم، آنچه که می‌خواهید در این دوره بیاموزید بسیار واقعی است، بسیار کاربردی است و تأثیر زیادی بر کسب‌وکار شما خواهد داشت.


برای کسانی از شما که دوست دارند عمیقاً در تئوری کاوش کنند تا بفهمند کارها واقعاً چگونه کار می کنند، می دانید که این تخصص من است و در این دوره هیچ کمبودی در آن وجود نخواهد داشت. ما الگوریتم‌های پیشرفته‌ای مانند فاکتورسازی ماتریس و یادگیری عمیق (استفاده از یادگیری تحت نظارت و بدون نظارت - رمزگذارهای خودکار و ماشین‌های محدود بولتزمن) را پوشش خواهیم داد و شما مجموعه‌ای پر از ترفندها را برای بهبود نتایج پایه یاد خواهید گرفت.


به عنوان یک امتیاز، ما همچنین نحوه انجام فاکتورسازی ماتریس را با استفاده از داده های بزرگ در Spark بررسی خواهیم کرد. ما یک خوشه با استفاده از نمونه های آمازون EC2 با خدمات وب آمازون (AWS) ایجاد خواهیم کرد. بیشتر دوره‌ها و آموزش‌های دیگر به مجموعه داده‌های MovieLens 100k نگاه می‌کنند - که بسیار ضعیف است! نمونه های ما از MovieLens 20 میلیون استفاده می کنند.


چه محصولاتی را در فروشگاه تجارت الکترونیک خود بفروشید، چه صرفاً یک وبلاگ بنویسید - می‌توانید از این تکنیک‌ها برای نشان دادن توصیه‌های درست به کاربران خود در زمان مناسب استفاده کنید.

اگر کارمند یک شرکت هستید، می‌توانید از این تکنیک‌ها برای تحت تأثیر قرار دادن مدیر خود و دریافت افزایش حقوق استفاده کنید!


من شما را در کلاس می بینم!



توجه:

این دوره "رسما" بخشی از مجموعه یادگیری عمیق من نیست. این شامل یک مؤلفه یادگیری عمیق قوی است، اما مفاهیم زیادی در این دوره وجود دارد که کاملاً با یادگیری عمیق ارتباطی ندارند.


"اگر نمی توانید آن را پیاده سازی کنید، آن را درک نمی کنید"

  • یا همانطور که فیزیکدان بزرگ ریچارد فاینمن گفت: "آنچه را که نمی توانم خلق کنم، نمی فهمم".

  • دوره‌های من تنها دوره‌هایی هستند که در آنها نحوه پیاده‌سازی الگوریتم‌های یادگیری ماشین را از ابتدا یاد خواهید گرفت

  • دوره‌های دیگر به شما یاد می‌دهند که چگونه داده‌های خود را به کتابخانه وصل کنید، اما آیا واقعاً برای 3 خط کد به کمک نیاز دارید؟

  • پس از انجام همان کار با 10 مجموعه داده، متوجه می شوید که 10 چیز را یاد نگرفته اید. شما یک چیز یاد گرفتید و فقط همان 3 خط کد را 10 بار تکرار کردید...


پیش نیازهای پیشنهادی:

  • برای بخش‌های قبلی، فقط برخی از محاسبات اولیه را بدانید

  • برای بخش‌های پیشرفته، حساب دیفرانسیل و انتگرال، جبر خطی و احتمال را برای درک عمیق‌تر بدانید

  • در پایتون و پشته Numpy مهارت داشته باشید (دوره رایگان من را ببینید)

  • برای بخش یادگیری عمیق، اصول اولیه استفاده از Keras را بدانید

  • برای بخش RBM، Tensorflow را بشناسید


به چه ترتیبی باید در دوره های شما شرکت کنم؟:

  • سخنرانی "نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی" (در پرسش‌های متداول هر یک از دوره‌های من، از جمله دوره رایگان Numpy موجود است) را بررسی کنید.


ویژگی های منحصر به فرد

  • هر خط کد با جزئیات توضیح داده شده است - در صورت مخالفت هر زمان که خواستید به من ایمیل بزنید

  • همانند سایر دوره‌ها، زمان را تلف نمی‌کنید - بیایید صادق باشیم، هیچ‌کس واقعاً نمی‌تواند کدی بنویسد که ارزش یادگیری آن را تنها در 20 دقیقه از ابتدا داشته باشد

  • از ریاضیات در سطح دانشگاه نمی ترسید - جزئیات مهمی را در مورد الگوریتم هایی که سایر دوره ها کنار گذاشته اند دریافت کنید


سرفصل ها و درس ها

خوش آمدی Welcome

  • معرفی Introduction

  • طرح کلی دوره Outline of the course

  • کد را از کجا دریافت کنیم Where to get the code

  • چگونه در این دوره موفق شویم How to Succeed in this Course

خوش آمدی Welcome

  • معرفی Introduction

  • طرح کلی دوره Outline of the course

  • کد را از کجا دریافت کنیم Where to get the code

  • چگونه در این دوره موفق شویم How to Succeed in this Course

سیستم های توصیه ساده Simple Recommendation Systems

  • بخش مقدمه و طرح کلی Section Introduction and Outline

  • چشم انداز این بخش Perspective for this Section

  • شهودهای اساسی Basic Intuitions

  • انجمن ها Associations

  • هکر نیوز - آیا برای صحبت در مورد NSA جریمه می شوید؟ Hacker News - Will you be penalized for talking about the NSA?

  • Reddit - آیا سانسور مبتنی بر سیاست باید مجاز باشد؟ Reddit - Should censorship based on politics be allowed?

  • مشکلات میانگین رتبه بندی و کاوش در مقابل بهره برداری (قسمت 1) Problems with Average Rating & Explore vs. Exploit (part 1)

  • مشکلات میانگین رتبه‌بندی و کاوش در مقابل بهره‌برداری (بخش 2) Problems with Average Rating & Explore vs. Exploit (part 2)

  • رتبه بندی بیزی (نسخه مبتدی) Bayesian Ranking (Beginner Version)

  • جمعیت شناسی و یادگیری تحت نظارت Demographics and Supervised Learning

  • رتبه صفحه (قسمت 1) PageRank (part 1)

  • رتبه صفحه (قسمت 2) PageRank (part 2)

  • ارزیابی یک رتبه Evaluating a Ranking

  • بخش نتیجه گیری Section Conclusion

  • صندوق پیشنهادات Suggestion Box

سیستم های توصیه ساده Simple Recommendation Systems

  • بخش مقدمه و طرح کلی Section Introduction and Outline

  • چشم انداز این بخش Perspective for this Section

  • شهودهای اساسی Basic Intuitions

  • انجمن ها Associations

  • هکر نیوز - آیا برای صحبت در مورد NSA جریمه می شوید؟ Hacker News - Will you be penalized for talking about the NSA?

  • Reddit - آیا سانسور مبتنی بر سیاست باید مجاز باشد؟ Reddit - Should censorship based on politics be allowed?

  • مشکلات میانگین رتبه بندی و کاوش در مقابل بهره برداری (قسمت 1) Problems with Average Rating & Explore vs. Exploit (part 1)

  • مشکلات میانگین رتبه‌بندی و کاوش در مقابل بهره‌برداری (بخش 2) Problems with Average Rating & Explore vs. Exploit (part 2)

  • رتبه بندی بیزی (نسخه مبتدی) Bayesian Ranking (Beginner Version)

  • جمعیت شناسی و یادگیری تحت نظارت Demographics and Supervised Learning

  • رتبه صفحه (قسمت 1) PageRank (part 1)

  • رتبه صفحه (قسمت 2) PageRank (part 2)

  • ارزیابی یک رتبه Evaluating a Ranking

  • بخش نتیجه گیری Section Conclusion

  • صندوق پیشنهادات Suggestion Box

فیلتر مشارکتی Collaborative Filtering

  • معرفی بخش فیلترینگ مشارکتی Collaborative Filtering Section Introduction

  • فیلتر مشارکتی کاربر و کاربر User-User Collaborative Filtering

  • آماده سازی تمرین فیلترینگ مشارکتی Collaborative Filtering Exercise Prep

  • پیش پردازش داده ها Data Preprocessing

  • فیلتر مشارکتی کاربر و کاربر در کد User-User Collaborative Filtering in Code

  • فیلتر مشارکتی مورد-آیتم Item-Item Collaborative Filtering

  • فیلتر اشتراکی مورد-مورد در کد Item-Item Collaborative Filtering in Code

  • نتیجه گیری بخش فیلترینگ مشارکتی Collaborative Filtering Section Conclusion

فیلتر مشارکتی Collaborative Filtering

  • معرفی بخش فیلترینگ مشارکتی Collaborative Filtering Section Introduction

  • فیلتر مشارکتی کاربر و کاربر User-User Collaborative Filtering

  • آماده سازی تمرین فیلترینگ مشارکتی Collaborative Filtering Exercise Prep

  • پیش پردازش داده ها Data Preprocessing

  • فیلتر مشارکتی کاربر و کاربر در کد User-User Collaborative Filtering in Code

  • فیلتر مشارکتی مورد-آیتم Item-Item Collaborative Filtering

  • فیلتر اشتراکی مورد-مورد در کد Item-Item Collaborative Filtering in Code

  • نتیجه گیری بخش فیلترینگ مشارکتی Collaborative Filtering Section Conclusion

پرسش و پاسخ مبتدی Beginner Q&A

  • چگونه می توانم از کدام مدل استفاده کنم؟ How do I Choose Which Model to Use?

  • چگونه مشکل شروع سرد را حل کنم؟ How do I Solve the Cold-Start Problem?

  • اگر ریاضی یا برنامه نویسی را دوست نداشته باشم چه می شود؟ What if I Don't Like Math or Programming?

پرسش و پاسخ مبتدی Beginner Q&A

  • چگونه می توانم از کدام مدل استفاده کنم؟ How do I Choose Which Model to Use?

  • چگونه مشکل شروع سرد را حل کنم؟ How do I Solve the Cold-Start Problem?

  • اگر ریاضی یا برنامه نویسی را دوست نداشته باشم چه می شود؟ What if I Don't Like Math or Programming?

فاکتورسازی ماتریسی و یادگیری عمیق Matrix Factorization and Deep Learning

  • مقدمه بخش فاکتورسازی ماتریس Matrix Factorization Section Introduction

  • فاکتورسازی ماتریسی - مراحل اول Matrix Factorization - First Steps

  • فاکتورسازی ماتریس - آموزش Matrix Factorization - Training

  • فاکتورسازی ماتریس - گسترش مدل ما Matrix Factorization - Expanding Our Model

  • فاکتورسازی ماتریسی - منظم سازی Matrix Factorization - Regularization

  • فاکتورسازی ماتریس - اعلان تمرین Matrix Factorization - Exercise Prompt

  • فاکتورسازی ماتریس در کد Matrix Factorization in Code

  • فاکتورسازی ماتریس در کد - Vectorized Matrix Factorization in Code - Vectorized

  • SVD (تجزیه ارزش تکی) SVD (Singular Value Decomposition)

  • فاکتورسازی ماتریس احتمالی Probabilistic Matrix Factorization

  • فاکتورسازی ماتریس بیزی Bayesian Matrix Factorization

  • فاکتورسازی ماتریس در کراس (بحث) Matrix Factorization in Keras (Discussion)

  • فاکتورسازی ماتریس در کراس (کد) Matrix Factorization in Keras (Code)

  • شبکه عصبی عمیق (بحث) Deep Neural Network (Discussion)

  • شبکه عصبی عمیق (کد) Deep Neural Network (Code)

  • یادگیری باقی مانده (بحث) Residual Learning (Discussion)

  • یادگیری باقی مانده (کد) Residual Learning (Code)

  • Autoencoders (AutoRec) بحث Autoencoders (AutoRec) Discussion

  • کد رمزگذارهای خودکار (AutoRec). Autoencoders (AutoRec) Code

فاکتورسازی ماتریسی و یادگیری عمیق Matrix Factorization and Deep Learning

  • مقدمه بخش فاکتورسازی ماتریس Matrix Factorization Section Introduction

  • فاکتورسازی ماتریسی - مراحل اول Matrix Factorization - First Steps

  • فاکتورسازی ماتریس - آموزش Matrix Factorization - Training

  • فاکتورسازی ماتریس - گسترش مدل ما Matrix Factorization - Expanding Our Model

  • فاکتورسازی ماتریسی - منظم سازی Matrix Factorization - Regularization

  • فاکتورسازی ماتریس - اعلان تمرین Matrix Factorization - Exercise Prompt

  • فاکتورسازی ماتریس در کد Matrix Factorization in Code

  • فاکتورسازی ماتریس در کد - Vectorized Matrix Factorization in Code - Vectorized

  • SVD (تجزیه ارزش تکی) SVD (Singular Value Decomposition)

  • فاکتورسازی ماتریس احتمالی Probabilistic Matrix Factorization

  • فاکتورسازی ماتریس بیزی Bayesian Matrix Factorization

  • فاکتورسازی ماتریس در کراس (بحث) Matrix Factorization in Keras (Discussion)

  • فاکتورسازی ماتریس در کراس (کد) Matrix Factorization in Keras (Code)

  • شبکه عصبی عمیق (بحث) Deep Neural Network (Discussion)

  • شبکه عصبی عمیق (کد) Deep Neural Network (Code)

  • یادگیری باقی مانده (بحث) Residual Learning (Discussion)

  • یادگیری باقی مانده (کد) Residual Learning (Code)

  • Autoencoders (AutoRec) بحث Autoencoders (AutoRec) Discussion

  • کد رمزگذارهای خودکار (AutoRec). Autoencoders (AutoRec) Code

ماشین‌های محدود بولتزمن (RBM) برای فیلترهای مشترک Restricted Boltzmann Machines (RBMs) for Collaborative Filtering

  • مقدمه بخش RBMs for Collaborative Filtering RBMs for Collaborative Filtering Section Introduction

  • مقدمه ای بر RBM ها Intro to RBMs

  • انگیزه پشت RBM ها Motivation Behind RBMs

  • حل نشدنی Intractability

  • معادلات شبکه عصبی Neural Network Equations

  • آموزش RBM (قسمت 1) Training an RBM (part 1)

  • آموزش RBM (قسمت 2) Training an RBM (part 2)

  • آموزش RBM (قسمت 3) - انرژی رایگان Training an RBM (part 3) - Free Energy

  • RBM طبقه‌بندی برای رتبه‌بندی سیستم توصیه‌کننده Categorical RBM for Recommender System Ratings

  • کد RBM pt 1 RBM Code pt 1

  • کد RBM pt 2 RBM Code pt 2

  • کد RBM pt 3 RBM Code pt 3

  • سرعت بخشیدن به کد RBM Speeding up the RBM Code

ماشین‌های محدود بولتزمن (RBM) برای فیلترهای مشترک Restricted Boltzmann Machines (RBMs) for Collaborative Filtering

  • مقدمه بخش RBMs for Collaborative Filtering RBMs for Collaborative Filtering Section Introduction

  • مقدمه ای بر RBM ها Intro to RBMs

  • انگیزه پشت RBM ها Motivation Behind RBMs

  • حل نشدنی Intractability

  • معادلات شبکه عصبی Neural Network Equations

  • آموزش RBM (قسمت 1) Training an RBM (part 1)

  • آموزش RBM (قسمت 2) Training an RBM (part 2)

  • آموزش RBM (قسمت 3) - انرژی رایگان Training an RBM (part 3) - Free Energy

  • RBM طبقه‌بندی برای رتبه‌بندی سیستم توصیه‌کننده Categorical RBM for Recommender System Ratings

  • کد RBM pt 1 RBM Code pt 1

  • کد RBM pt 2 RBM Code pt 2

  • کد RBM pt 3 RBM Code pt 3

  • سرعت بخشیدن به کد RBM Speeding up the RBM Code

فاکتورسازی ماتریس کلان داده با Spark Cluster در AWS/EC2 Big Data Matrix Factorization with Spark Cluster on AWS / EC2

  • مقدمه بخش داده های بزرگ و جرقه Big Data and Spark Section Introduction

  • راه اندازی Spark در محیط محلی شما Setting up Spark in your Local Environment

  • فاکتورسازی ماتریس در اسپارک Matrix Factorization in Spark

  • Spark Submit Spark Submit

  • راه اندازی یک Spark Cluster در AWS/EC2 Setting up a Spark Cluster on AWS / EC2

  • پیش بینی در دنیای واقعی Making Predictions in the Real World

فاکتورسازی ماتریس کلان داده با Spark Cluster در AWS/EC2 Big Data Matrix Factorization with Spark Cluster on AWS / EC2

  • مقدمه بخش داده های بزرگ و جرقه Big Data and Spark Section Introduction

  • راه اندازی Spark در محیط محلی شما Setting up Spark in your Local Environment

  • فاکتورسازی ماتریس در اسپارک Matrix Factorization in Spark

  • Spark Submit Spark Submit

  • راه اندازی یک Spark Cluster در AWS/EC2 Setting up a Spark Cluster on AWS / EC2

  • پیش بینی در دنیای واقعی Making Predictions in the Real World

بررسی مبانی Basics Review

  • (بررسی) بحث کراس (Review) Keras Discussion

  • (بررسی) شبکه عصبی Keras در کد (Review) Keras Neural Network in Code

  • (بررسی) Keras Functional API (Review) Keras Functional API

  • (بررسی) چگونه به راحتی Keras را به کد Tensorflow 2.0 تبدیل کنیم (Review) How to easily convert Keras into Tensorflow 2.0 code

  • (بررسی) فواصل اطمینان (Review) Confidence Intervals

  • (بررسی) مزدوج گاوسی پیشین (Review) Gaussian Conjugate Prior

بررسی مبانی Basics Review

  • (بررسی) بحث کراس (Review) Keras Discussion

  • (بررسی) شبکه عصبی Keras در کد (Review) Keras Neural Network in Code

  • (بررسی) Keras Functional API (Review) Keras Functional API

  • (بررسی) چگونه به راحتی Keras را به کد Tensorflow 2.0 تبدیل کنیم (Review) How to easily convert Keras into Tensorflow 2.0 code

  • (بررسی) فواصل اطمینان (Review) Confidence Intervals

  • (بررسی) مزدوج گاوسی پیشین (Review) Gaussian Conjugate Prior

رتبه بندی بیزی (نسخه ترسناک) Bayesian Ranking (Scary Version)

  • رویکرد بیزی قسمت 0 (آماده سازی) Bayesian Approach part 0 (Preparation)

  • رویکرد بیزی قسمت 1 (اختیاری) Bayesian Approach part 1 (Optional)

  • اختیاری: رویکرد بیزی قسمت 2 (نمونه گیری و رتبه بندی) Optional: Bayesian Approach part 2 (Sampling and Ranking)

  • اختیاری: رویکرد بیزی قسمت 3 (گاوسی) Optional: Bayesian Approach part 3 (Gaussian)

  • اختیاری: رویکرد بیزی قسمت 4 (کد) Optional: Bayesian Approach part 4 (Code)

  • چرا ما فقط از یک کتابخانه استفاده نمی کنیم؟ Why don't we just use a library?

رتبه بندی بیزی (نسخه ترسناک) Bayesian Ranking (Scary Version)

  • رویکرد بیزی قسمت 0 (آماده سازی) Bayesian Approach part 0 (Preparation)

  • رویکرد بیزی قسمت 1 (اختیاری) Bayesian Approach part 1 (Optional)

  • اختیاری: رویکرد بیزی قسمت 2 (نمونه گیری و رتبه بندی) Optional: Bayesian Approach part 2 (Sampling and Ranking)

  • اختیاری: رویکرد بیزی قسمت 3 (گاوسی) Optional: Bayesian Approach part 3 (Gaussian)

  • اختیاری: رویکرد بیزی قسمت 4 (کد) Optional: Bayesian Approach part 4 (Code)

  • چرا ما فقط از یک کتابخانه استفاده نمی کنیم؟ Why don't we just use a library?

تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو) Setting Up Your Environment (FAQ by Student Request)

  • تنظیم محیط آناکوندا Anaconda Environment Setup

  • نحوه نصب Numpy، Theano، Tensorflow و ... How to How to install Numpy, Theano, Tensorflow, etc...

تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو) Setting Up Your Environment (FAQ by Student Request)

  • تنظیم محیط آناکوندا Anaconda Environment Setup

  • نحوه نصب Numpy، Theano، Tensorflow و ... How to How to install Numpy, Theano, Tensorflow, etc...

کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو) Extra Help With Python Coding for Beginners (FAQ by Student Request)

  • نحوه کدنویسی توسط خودتان (قسمت 1) How to Code by Yourself (part 1)

  • چگونه به تنهایی کدنویسی کنیم (قسمت 2) How to Code by Yourself (part 2)

  • اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است Proof that using Jupyter Notebook is the same as not using it

  • پایتون 2 در مقابل پایتون 3 Python 2 vs Python 3

کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو) Extra Help With Python Coding for Beginners (FAQ by Student Request)

  • نحوه کدنویسی توسط خودتان (قسمت 1) How to Code by Yourself (part 1)

  • چگونه به تنهایی کدنویسی کنیم (قسمت 2) How to Code by Yourself (part 2)

  • اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است Proof that using Jupyter Notebook is the same as not using it

  • پایتون 2 در مقابل پایتون 3 Python 2 vs Python 3

استراتژی‌های یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو) Effective Learning Strategies for Machine Learning (FAQ by Student Request)

  • چگونه در این دوره موفق شویم (نسخه طولانی) How to Succeed in this Course (Long Version)

  • این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1) Machine Learning and AI Prerequisite Roadmap (pt 1)

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2) Machine Learning and AI Prerequisite Roadmap (pt 2)

استراتژی‌های یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو) Effective Learning Strategies for Machine Learning (FAQ by Student Request)

  • چگونه در این دوره موفق شویم (نسخه طولانی) How to Succeed in this Course (Long Version)

  • این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟ Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1) Machine Learning and AI Prerequisite Roadmap (pt 1)

  • نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2) Machine Learning and AI Prerequisite Roadmap (pt 2)

ضمیمه/پرسش و پاسخ نهایی Appendix / FAQ Finale

  • آپاندیس چیست؟ What is the Appendix?

  • جایزه BONUS

ضمیمه/پرسش و پاسخ نهایی Appendix / FAQ Finale

  • آپاندیس چیست؟ What is the Appendix?

  • جایزه BONUS

نمایش نظرات

آموزش سیستم های توصیه کننده و یادگیری عمیق در پایتون
جزییات دوره
12.5 hours
92
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
23,144
4.7 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lazy Programmer Inc. Lazy Programmer Inc.

امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام. من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم. این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.