آموزش AI Bootcamp: مبتدی تا متخصص در یادگیری ماشین 2024

AI Bootcamp: Beginner to Expert in Machine Learning 2024

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: سفر نهایی یادگیری ماشین: از مبتدی تا متخصص با راهنمای گام به گام در دوره آموزشی Python Bootcamp: آزمایشگاه‌های عملی، پروژه‌ها درک را تقویت می‌کنند. از پروژه ها برای رزومه/نمایه GitHub برای پیشرفت شغلی استفاده کنید. نمونه هایی از کاربردهای یادگیری ماشین در صنایع مختلف را ارائه دهید. مراحل حل مسئله مورد استفاده در یادگیری ماشین را مشخص کنید. نمونه هایی از تکنیک های مختلف یادگیری ماشین را ارائه دهید. کتابخانه های پایتون مورد استفاده در یادگیری ماشین را شرح دهید. تمایز بین الگوریتم های نظارت شده و بدون نظارت را توضیح دهید. قابلیت های الگوریتم های مختلف یادگیری ماشین را شرح دهید. در این ماژول، کاربردهای یادگیری ماشینی را در زمینه‌های مختلف، از جمله مراقبت‌های بهداشتی، بانکداری، و ارتباطات راه دور بررسی خواهید کرد. شما درک گسترده ای از مفاهیم یادگیری ماشین، مانند یادگیری تحت نظارت در مقابل بدون نظارت، و نحوه پیاده سازی مدل های یادگیری ماشین به دست خواهید آورد. پیش نیازها: اولاً از پرداختن به موضوعات ناآشنا فقط به خاطر عنوان آنها نترسید. همه چیز گام به گام قابل دستیابی است. این دوره هیچ پیش نیاز خاصی ندارد، اما برای آزمایشگاه ها، داشتن دانش اولیه از زبان برنامه نویسی پایتون مفید است. اگر آشنایی ندارید، این دوره راهنماهایی برای کمک به شما ارائه می دهد.

این دوره یک رویکرد یادگیری به سبک بوت کمپ را اتخاذ می‌کند و اطلاعات ضروری را از طریق آزمایشگاه‌ها و پروژه‌های عملی برای افزایش درک شما از مطالب ارائه می‌دهد. می‌توانید آزادانه از پروژه‌ها برای بهبود رزومه یا نمایه GitHub خود برای ارتقاء شغل خود استفاده کنید.

در این ماژول، کاربردهای یادگیری ماشینی را در زمینه‌های مختلف، از جمله مراقبت‌های بهداشتی، بانکداری، و ارتباطات راه دور بررسی خواهید کرد. شما درک گسترده ای از مفاهیم یادگیری ماشین، مانند یادگیری تحت نظارت در مقابل یادگیری بدون نظارت، و نحوه پیاده سازی مدل های یادگیری ماشین با استفاده از کتابخانه های Python به دست خواهید آورد.

برای افرادی مناسب است که:

  • باید به سرعت کار با یادگیری ماشین را شروع کنید، مانند دانش‌آموزان.

  • می خواهند خود را برای کارهای کاری یا مصاحبه های شغلی آماده کنند.

  • علاقه دارید سفر خود را در یادگیری ماشینی ، یادگیری عمیق ، هوش مصنوعی یا مدل های زبان بزرگ مانند ChatGPT آغاز کنید.

مورد نیاز:

اول، از پرداختن به موضوعات ناآشنا فقط به خاطر عنوان آنها نترسید. همه چیز گام به گام قابل دستیابی است.

این دوره هیچ پیش نیاز خاصی ندارد، اما برای آزمایشگاه ها، داشتن دانش اولیه از زبان برنامه نویسی پایتون مفید است. اگر ناآشنا هستید، این دوره راهنماهایی برای کمک به شما ارائه می دهد.

اهداف آموزشی:

  • نمونه‌هایی از برنامه‌های یادگیری ماشین در صنایع مختلف ارائه کنید.

  • مراحل حل مسئله مورد استفاده در یادگیری ماشین را مشخص کنید.

  • نمونه‌هایی از تکنیک‌های مختلف یادگیری ماشین را ارائه دهید.

  • کتابخانه‌های پایتون مورد استفاده در یادگیری ماشین را شرح دهید.

  • تمایز بین الگوریتم های نظارت شده و بدون نظارت را توضیح دهید.

  • قابلیت‌های الگوریتم‌های مختلف یادگیری ماشین را شرح دهید.


سرفصل ها و درس ها

خوش آمدید و معرفی Welcome and Introduction

  • معرفی Introduction

  • خوش آمدی Welcome

  • بهینه سازی تجربه تماشای ویدیو Optimizing Your Video Watching Experience

یادگیری ماشین چیست What is machine learning

  • مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

  • پایتون برای یادگیری ماشین Python for Machine Learning

  • مقدمه ای بر برنامه نویسی با پایتون Introduction to Programming with Python

  • تحت نظارت در مقابل بدون نظارت Supervised vs Unsupervised

  • آزمون مبانی یادگیری ماشین Machine Learning Fundamentals Quiz

سفر یادگیری را در آغوش بگیرید Embrace the Learning Journey

  • به انجمن آموزشی حمایتی ما در تلگرام بپیوندید Join Our Supportive Learning Community on Telegram

رگرسیون خطی Linear Regression

  • مقدمه ای بر رگرسیون Introduction to Regression

  • رگرسیون خطی ساده Simple Linear Regression

  • ارزیابی مدل در مدل های رگرسیونی Model Evaluation in Regression Models

  • معیارهای ارزیابی در مدل های رگرسیونی Evaluation Metrics in Regression Models

  • رگرسیون خطی ساده Simple Linear Regression

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • رگرسیون خطی چندگانه Multiple Linear Regression

  • ارزیابی و کاربرد مدل های رگرسیون Evaluation and Application of Regression Models

K-نزدیک ترین همسایه ها K-Nearest Neighbours

  • مقدمه ای بر طبقه بندی Introduction to Classification

  • K-نزدیک ترین همسایه ها K-Nearest Neighbours

  • الگوریتم K-نزدیکترین همسایگان (KNN) برای طبقه بندی K-Nearest Neighbors (KNN) Algorithm for Classification

  • معیارهای ارزیابی در طبقه بندی Evaluation Metrics in Classification

درختان تصمیم Decision Trees

  • مقدمه ای بر درختان تصمیم Introduction to Decision Trees

  • ساخت درختان تصمیم گیری Building Decision Trees

  • درختان تصمیم Decision Trees

درختان رگرسیون Regression Trees

  • درختان رگرسیون Regression Trees

  • درختان رگرسیون Regression Trees

  • آشنایی با الگوریتم های یادگیری ماشین Understanding Machine Learning Algorithms

رگرسیون لجستیک Logistic Regression

  • مقدمه ای بر رگرسیون لجستیک Intro to Logistic Regression

  • رگرسیون لجستیک در مقابل رگرسیون خطی Logistic Regression vs Linear Regression

  • آموزش رگرسیون لجستیک Logistic Regression Training

  • رگرسیون لجستیک Logistic Regression

ماشین بردار پشتیبانی Support Vector Machine

  • ماشین بردار پشتیبانی Support Vector Machine

  • SVM (ماشین های بردار پشتیبانی) SVM (Support Vector Machines)

پیش بینی چند کلاسه Multiclass Prediction

  • پیش بینی چند کلاسه Multiclass Prediction

  • درک رگرسیون لجستیک و نزول گرادیان Understanding Logistic Regression and Gradient Descent

خوشه بندی Clustering

  • مقدمه ای بر خوشه بندی Intro to Clustering

  • k-به معنی خوشه بندی k-Means Clustering

  • K-Means Clustering K-Means Clustering

  • بیشتر در مورد k-Means More on k-Means

  • آشنایی با تکنیک های خوشه بندی Understanding Clustering Techniques

نمایش نظرات

آموزش AI Bootcamp: مبتدی تا متخصص در یادگیری ماشین 2024
جزییات دوره
2.5 hours
27
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,003
5 از 5
ندارد
دارد
دارد
Soroush Arab
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Soroush Arab Soroush Arab

مهندس ارشد سیستم های جاسازی شده