آموزش مبانی علوم داده و یادگیری ماشین با پایتون - آخرین آپدیت

دانلود Foundations of Data Science and Machine Learning with Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای قابلیت Coursera Coach است! روشی هوشمندانه‌تر برای یادگیری با گفتگوهای تعاملی و در لحظه که به شما کمک می‌کند تا دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. سفری جامع آموزشی را با برنامه‌نویسی بنیادی پایتون آغاز کنید، شامل نصب، مدیریت متغیرها و ساختارهای داده ضروری مانند لیست‌ها، تاپل‌ها و دیکشنری‌ها. در محاسبات عددی با NumPy و مدیریت داده‌ها با Pandas مهارت کسب کنید. پایه‌های ریاضی خود را با مفاهیم کلیدی جبر خطی که برای الگوریتم‌های یادگیری ماشین حیاتی هستند، تقویت کنید. سپس به سراغ بصری‌سازی داده‌ها با استفاده از Matplotlib و Seaborn بروید تا داده‌ها را به طور موثر تفسیر و ارائه دهید. پایه‌ای قوی در رگرسیون خطی ساده و گرادینت دیسنت (Gradient Descent) ایجاد کرده و تکنیک‌های طبقه‌بندی با KNN و رگرسیون لجستیک را از طریق مطالعات موردی عملی بررسی کنید. در الگوریتم‌های پیشرفته یادگیری ماشین، از جمله تکنیک‌های منظم‌سازی (Regularization) و مبانی یادگیری عمیق (Deep Learning) متناسب با کاربردهای NLP (پردازش زبان طبیعی) غوطه‌ور شوید. در پایان دوره، درک استواری از پیاده‌سازی و بهینه‌سازی مدل‌های یادگیری ماشین برای وظایف NLP خواهید داشت که شما را برای پروژه‌های پیشرفته و فرصت‌های شغلی آماده می‌کند. این دوره برای متقاضیان علوم داده، علاقه‌مندان به یادگیری ماشین و متخصصان NLP ایده‌آل است و داشتن دانش مقدماتی پایتون و ریاضیات سطح دبیرستان برای آن لازم است.

سرفصل ها و درس ها

مبانی پایتون Python Fundamentals

  • نصب پایتون و آناکوندا Installation of Python and Anaconda

  • مقدمه پایتون Python Introduction

  • متغیرها در پایتون Variables in Python

  • عملیات عددی در پایتون Numeric Operations in Python

  • عملیات منطقی Logical Operations

  • حلقه If Else If Else Loop

  • حلقه For و While For While Loop

  • توابع Functions

  • رشته‌ها: بخش اول Strings: Part 1

  • رشته‌ها: بخش دوم Strings: Part 2

  • لیست‌ها: بخش اول List: Part 1

  • لیست‌ها: بخش دوم List: Part 2

  • لیست‌ها: بخش سوم List: Part 3

  • لیست‌ها: بخش چهارم List: Part 4

  • تاپل‌ها Tuples

  • مجموعه‌ها (Sets) Sets

  • دیکشنری‌ها Dictionaries

  • درک لیست‌ها (Comprehension) Comprehension

کتابخانه NumPy NumPy

  • مقدمه Introduction

  • عملیات NumPy: بخش اول NumPy Operations: Part 1

  • عملیات NumPy: بخش دوم NumPy Operations: Part 2

کتابخانه Pandas Pandas

  • مقدمه Introduction

  • سری‌ها (Series) Series

  • دیتا فریم (DataFrame) DataFrame

  • عملیات: بخش اول Operations: Part 1

  • عملیات: بخش دوم Operations: Part 2

  • اندیس‌ها Indexes

  • متدهای loc و iloc loc and iloc

  • خواندن فایل CSV Reading CSV

  • ادغام داده‌ها: بخش اول Merging: Part 1

  • گروه‌بندی (groupby) groupby

  • ادغام داده‌ها: بخش دوم Merging: Part 2

  • جداول محوری (Pivot Tables) Pivot Tables

مباحث کاربردی ریاضیات Some Fun with Math

  • جبر خطی: بردارها Linear Algebra: Vectors

  • جبر خطی: ماتریس‌ها: بخش اول Linear Algebra: Matrix: Part 1

  • جبر خطی: ماتریس‌ها: بخش دوم Linear Algebra: Matrix: Part 2

  • جبر خطی: انتقال از دو بعد به n-بعد: بخش اول Linear Algebra: Going from 2D to nD: Part 1

  • جبر خطی: انتقال از دو بعد به n-بعد: بخش دوم Linear Algebra: Going from 2D to nD: Part 2

بصری‌سازی داده‌ها Data Visualization

  • کتابخانه Matplotlib Matplotlib

  • کتابخانه Seaborn Seaborn

  • مطالعه موردی Case Study

  • استفاده از Seaborn برای داده‌های سری زمانی Seaborn on Time Series Data

رگرسیون خطی ساده Simple Linear Regression

  • مقدمه‌ای بر یادگیری ماشین Introduction to Machine Learning

  • انواع یادگیری ماشین Types of Machine Learning

  • مقدمه‌ای بر رگرسیون خطی (LR) Introduction to Linear Regression (LR)

  • رگرسیون خطی چگونه کار می‌کند؟ How LR Works?

  • ریاضیات پشت رگرسیون خطی Some Fun with Math Behind LR

  • ضریب تعیین (R Square) R Square

  • مطالعه موردی رگرسیون خطی: بخش اول LR Case Study: Part 1

  • مطالعه موردی رگرسیون خطی: بخش دوم LR Case Study: Part 2

  • مطالعه موردی رگرسیون خطی: بخش سوم LR Case Study: Part 3

  • خطای مربع باقی‌مانده (RSE) Residual Square Error (RSE)

گرادینت دیسنت (Gradient Descent) Gradient Descent

  • پیش‌نیازهای گرادینت دیسنت: بخش اول Prerequisite for Gradient Descent: Part 1

  • پیش‌نیازهای گرادینت دیسنت: بخش دوم Prerequisite for Gradient Descent: Part 2

  • توابع هزینه (Cost Functions) Cost Functions

  • تعریف رسمی‌تر توابع هزینه Defining Cost Functions More Formally

  • گرادینت دیسنت Gradient Descent

  • بهینه‌سازی Optimization

  • فرم بسته در مقابل گرادینت دیسنت Closed Form Versus Gradient Descent

  • مطالعه موردی گرادینت دیسنت Gradient Descent Case Study

طبقه‌بندی با KNN Classification with KNN

  • مقدمه‌ای بر طبقه‌بندی (Classification) Introduction to Classification

  • تعریف ریاضی طبقه‌بندی Defining Classification Mathematically

  • مقدمه‌ای بر KNN Introduction to KNN

  • دقت الگوریتم KNN Accuracy of KNN

  • اثربخشی KNN Effectiveness of KNN

  • معیارهای فاصله (Distance Metrics) Distance Metrics

  • معیارهای فاصله: بخش دوم Distance Metrics: Part 2

  • یافتن مقدار k Finding k

  • استفاده از KNN در رگرسیون KNN on Regression

  • مطالعه موردی Case Study

  • مورد طبقه‌بندی ۱ Classification Case 1

  • مورد طبقه‌بندی ۲ Classification Case 2

  • مورد طبقه‌بندی ۳ Classification Case 3

  • مورد طبقه‌بندی ۴ Classification Case 4

رگرسیون لجستیک Logistic Regression

  • مقدمه Introduction

  • تابع سیگموئید (Sigmoid) Sigmoid Function

  • لگاریتم شانس (Log Odds) Log Odds

  • مطالعه موردی Case Study

الگوریتم‌های پیشرفته یادگیری ماشین Advanced Machine Learning Algorithms

  • مقدمه Introduction

  • مثال: بخش اول Example: Part 1

  • مثال: بخش دوم Example: Part 2

  • راه حل بهینه Optimal Solution

  • مطالعه موردی Case Study

  • منظم‌سازی (Regularization) Regularization

  • مدلهای Ridge و Lasso Ridge and Lasso

  • مطالعه موردی Case Study

  • انتخاب مدل Model Selection

  • R Square تعدیل شده Adjusted R Square

مقدمه‌ای بر یادگیری عمیق Introduction to Deep Learning

  • مقدمه Introduction

  • تاریخچه یادگیری عمیق History of Deep Learning

  • پرسپترون (Perceptron) Perceptron

  • پرسپترون چندلایه (MLP) Multi-Level Perceptron

  • محیط آموزشی شبکه‌های عصبی (Playground) Neural Network Playground

  • نمایش‌ها (Representations) Representations

  • آموزش شبکه عصبی: بخش اول Training Neural Network: Part 1

  • آموزش شبکه عصبی: بخش دوم Training Neural Network: Part 2

  • آموزش شبکه عصبی: بخش سوم Training Neural Network: Part 3

  • آموزش شبکه عصبی: بخش چهارم Training Neural Network: Part 4

  • تابع فعال‌ساز (Activation Function) Activation Function

نمایش نظرات

آموزش مبانی علوم داده و یادگیری ماشین با پایتون
جزییات دوره
18h 56m
99
(آخرین آپدیت)
2,028
- از 5
دارد
دارد
دارد
Chris Croft
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