آموزش تمرین عملی یادگیری ماشین | 8 پروژه دنیای واقعی

Machine Learning Practical Workout | 8 Real-World Projects

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: 8 پروژه عملی بسازید و از صفر به قهرمان در یادگیری عمیق/ماشین، شبکه‌های عصبی مصنوعی Deep Learning کاربردی برنامه‌های کاربردی یادگیری ماشینی استفاده از شبکه‌های عصبی مصنوعی برای پیش‌بینی فروش خودرو نحوه استفاده از شبکه‌های عصبی عمیق نحوه استفاده از شبکه‌های عصبی عمیق برای طبقه‌بندی تصاویر -NET DEEP NETWORK برای طبقه بندی علائم راهنمایی و رانندگی نحوه استفاده از آموزش انتقال برای طبقه بندی تصاویر CNN نحوه استفاده از PROPHET TIME SERIES برای پیش بینی جرم نحوه استفاده از PROPHET TIME SERIES برای پیش بینی شرایط بازار نحوه توسعه مدل پردازش زبان طبیعی برای تجزیه و تحلیل NAT Reviews نحوه اعمال پردازش زبان برای توسعه پرونده هرزنامه نحوه استفاده از فیلتر مشارکتی مبتنی بر کاربر برای توسعه سیستم توصیه‌کننده پیش نیازها: یادگیری عمیق و اصول یادگیری ماشین کامپیوتر با اتصال اینترنت

"یادگیری عمیق و یادگیری ماشینی یکی از داغ‌ترین حوزه‌های فناوری هستند که در حال حاضر در آن حضور دارند! این زمینه با فرصت‌ها و آینده‌های شغلی در حال انفجار است. تکنیک‌های یادگیری عمیق ماشینی امروزه به طور گسترده در چندین بخش مانند بانکداری، مراقبت‌های بهداشتی، حمل و نقل و فناوری.

یادگیری ماشینی مطالعه الگوریتم‌هایی است که به رایانه‌ها یاد می‌دهند از تجربه یاد بگیرند. از طریق تجربه (به عنوان مثال: داده های آموزشی بیشتر)، رایانه ها می توانند به طور مداوم عملکرد خود را بهبود بخشند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که از شبکه های عصبی مصنوعی چند لایه استفاده می کند. یادگیری عمیق از مغز انسان الهام گرفته شده و عملکرد نورون های بیولوژیکی را تقلید می کند. یک شبکه عصبی مصنوعی عمیق و سلسله مراتبی با اتصال چند نورون مصنوعی به صورت لایه ای شکل می گیرد. هرچه لایه‌های پنهان بیشتری به شبکه اضافه شود، شبکه عمیق‌تر خواهد بود، روابط غیرخطی پیچیده‌تری را می‌توان مدل‌سازی کرد. یادگیری عمیق به طور گسترده در اتومبیل های خودران، تشخیص چهره و گفتار، و برنامه های مراقبت های بهداشتی استفاده می شود.

هدف این دوره ارائه دانش به دانش آموزان از جنبه های کلیدی تکنیک های یادگیری عمیق و ماشینی به روشی کاربردی، آسان و سرگرم کننده است. این دوره تجربه عملی عملی را در آموزش مدل‌های یادگیری عمیق و ماشینی با استفاده از مجموعه داده‌های دنیای واقعی به دانش‌آموزان ارائه می‌دهد. این دوره چندین تکنیک را به صورت عملی پوشش می دهد، پروژه ها شامل اما نه محدود به:

(1) تکنیک‌های یادگیری عمیق را برای انجام وظایف طبقه‌بندی تصویر آموزش دهید.

(2) مدل‌های پیش‌بینی را برای پیش‌بینی رویدادهای آینده مانند قیمت‌های آتی کالاها با استفاده از سری جدید فیس‌بوک پیامبر زمان ایجاد کنید.

(3) مدل‌های پردازش زبان طبیعی را برای تجزیه و تحلیل نظرات مشتریان و شناسایی پیام‌های هرزنامه/هم توسعه دهید.

(4) سیستم های توصیه کننده مانند سیستم های توصیه کننده فیلم آمازون و نتفلیکس را توسعه دهید.

این دوره برای دانش‌آموزانی است که می‌خواهند درک اساسی از مدل‌های یادگیری ماشینی و عمیق به دست آورند. دانش اولیه برنامه نویسی توصیه می شود. با این حال، این موضوعات به طور گسترده در طول سخنرانی های دوره اولیه پوشش داده خواهد شد. بنابراین، این دوره هیچ پیش نیازی ندارد و برای هر دانشجویی که دانش اولیه برنامه نویسی داشته باشد آزاد است. دانش‌آموزانی که در این دوره ثبت‌نام می‌کنند، بر مدل‌های یادگیری عمیق و ماشینی تسلط خواهند داشت و می‌توانند مستقیماً از این مهارت‌ها برای حل مسائل چالش‌برانگیز دنیای واقعی استفاده کنند."


سرفصل ها و درس ها

مقدمه دوره [برنده شدن سریع در 10-12 دقیقه اول] INTRODUCTION TO THE COURSE [QUICK WIN IN FIRST 10-12 MINS]

  • پیام خوش آمد Welcome Message

  • پیام خوش آمد Welcome Message

  • به‌روزرسانی‌های Udemy Reviews Updates on Udemy Reviews

  • نمای کلی دوره Course overview

  • جایزه: مسیر یادگیری BONUS: Learning Path

  • ML در مقابل DL در مقابل هوش مصنوعی ML vs. DL vs. AI

  • ML Deep Dive ML Deep Dive

  • ML Deep Dive ML Deep Dive

  • دانلود مواد درسی Download Course Materials

  • پاداش: ML در مقابل DL در مقابل هوش مصنوعی BONUS: ML vs DL vs AI

  • جایزه: 5 مزیت نوت بوک Jupyter BONUS: 5 Benefits of Jupyter Notebook

  • جایزه: 5 مزیت نوت بوک Jupyter BONUS: 5 Benefits of Jupyter Notebook

مقدمه دوره [برنده شدن سریع در 10-12 دقیقه اول] INTRODUCTION TO THE COURSE [QUICK WIN IN FIRST 10-12 MINS]

  • به‌روزرسانی‌های Udemy Reviews Updates on Udemy Reviews

  • نمای کلی دوره Course overview

  • جایزه: مسیر یادگیری BONUS: Learning Path

  • ML در مقابل DL در مقابل هوش مصنوعی ML vs. DL vs. AI

  • دانلود مواد درسی Download Course Materials

  • پاداش: ML در مقابل DL در مقابل هوش مصنوعی BONUS: ML vs DL vs AI

نصب آناکوندا و ژوپیتر ANACONDA AND JUPYTER INSTALLATION

  • Anaconda را دانلود و راه اندازی کنید Download and Set up Anaconda

  • Anaconda را دانلود و راه اندازی کنید Download and Set up Anaconda

  • نوت بوک ژوپیتر چیست؟ What is Jupyter Notebook

  • Tensorflow را نصب کنید Install Tensorflow

  • چگونه یک نوت بوک Jupyter را اجرا کنیم How to run a Jupyter Notebook

نصب آناکوندا و ژوپیتر ANACONDA AND JUPYTER INSTALLATION

  • نوت بوک ژوپیتر چیست؟ What is Jupyter Notebook

  • Tensorflow را نصب کنید Install Tensorflow

  • چگونه یک نوت بوک Jupyter را اجرا کنیم How to run a Jupyter Notebook

پروژه شماره 1: شبکه های عصبی مصنوعی - پیش بینی فروش خودرو PROJECT #1: ARTIFICIAL NEURAL NETWORKS - CAR SALES PREDICTION

  • معرفی Introduction

  • تئوری قسمت 1 Theory Part 1

  • تئوری قسمت 1 Theory Part 1

  • تئوری قسمت 2 Theory Part 2

  • تئوری قسمت 3 Theory Part 3

  • تئوری قسمت 4 Theory Part 4

  • تئوری قسمت 5 Theory Part 5

  • بررسی اجمالی پروژه Project Overview

  • وارد کردن داده ها Import Data

  • وارد کردن داده ها Import Data

  • پاکسازی تجسم داده ها Data Visualization Cleaning

  • پاکسازی تجسم داده ها Data Visualization Cleaning

  • آموزش مدل 1 Model Training 1

  • آموزش مدل 2 Model Training 2

  • آموزش مدل 2 Model Training 2

  • ارزیابی مدل Model Evaluation

پروژه شماره 1: شبکه های عصبی مصنوعی - پیش بینی فروش خودرو PROJECT #1: ARTIFICIAL NEURAL NETWORKS - CAR SALES PREDICTION

  • معرفی Introduction

  • تئوری قسمت 1 Theory Part 1

  • تئوری قسمت 2 Theory Part 2

  • تئوری قسمت 3 Theory Part 3

  • تئوری قسمت 4 Theory Part 4

  • تئوری قسمت 5 Theory Part 5

  • آموزش مدل 1 Model Training 1

  • ارزیابی مدل Model Evaluation

پروژه شماره 2: شبکه های عصبی عمیق - طبقه بندی CIFAR-10 PROJECT #2: DEEP NEURAL NETWORKS - CIFAR-10 CLASSIFICATION

  • معرفی Introduction

  • تئوری قسمت 1 Theory Part 1

  • تئوری قسمت 1 Theory Part 1

  • تئوری قسمت 2 Theory Part 2

  • تئوری قسمت 2 Theory Part 2

  • تئوری قسمت 3 Theory Part 3

  • تئوری قسمت 3 Theory Part 3

  • تئوری قسمت 4 Theory Part 4

  • بیان مسأله Problem Statement

  • بیان مسأله Problem Statement

  • تجسم داده ها Data Vizualization

  • آماده سازی داده ها Data Preparation

  • آماده سازی داده ها Data Preparation

  • آموزش مدل قسمت 1 Model Training Part 1

  • آموزش مدل قسمت 2 Model Training Part 2

  • ارزیابی مدل Model Evaluation

  • مدل را ذخیره کنید Save the Model

  • تقویت تصویر قسمت 1 Image Augmentation Part 1

  • تقویت تصویر قسمت 2 Image augmentation Part 2

پروژه شماره 2: شبکه های عصبی عمیق - طبقه بندی CIFAR-10 PROJECT #2: DEEP NEURAL NETWORKS - CIFAR-10 CLASSIFICATION

  • معرفی Introduction

  • تئوری قسمت 1 Theory Part 1

  • تئوری قسمت 4 Theory Part 4

  • آموزش مدل قسمت 1 Model Training Part 1

  • آموزش مدل قسمت 2 Model Training Part 2

  • مدل را ذخیره کنید Save the Model

  • تقویت تصویر قسمت 1 Image Augmentation Part 1

  • تقویت تصویر قسمت 2 Image augmentation Part 2

پروژه شماره 3: سری زمان پیامبر - نرخ جنایت شیکاگو PROJECT #3: PROPHET TIME SERIES - CHICAGO CRIME RATE

  • معرفی Introduction

  • بررسی اجمالی پروژه Project Overview

  • وارد کردن مجموعه داده Import Dataset

  • وارد کردن مجموعه داده Import Dataset

  • تجسم داده ها Data Vizualization

  • تجسم داده ها Data Vizualization

  • داده ها را آماده کنید Prepare the Data

  • داده ها را آماده کنید Prepare the Data

  • پیش بینی کنید Make Predictions

پروژه شماره 3: سری زمان پیامبر - نرخ جنایت شیکاگو PROJECT #3: PROPHET TIME SERIES - CHICAGO CRIME RATE

  • معرفی Introduction

  • بررسی اجمالی پروژه Project Overview

  • تجسم داده ها Data Vizualization

  • پیش بینی کنید Make Predictions

پروژه شماره 4: سری زمان پیامبر - بازار آووکادو PROJECT #4: PROPHET TIME SERIES - AVOCADO MARKET

  • معرفی Introduction

  • داده های آووکادو را بارگیری کنید Load Avocado Data

  • مجموعه داده را کاوش کنید Explore Dataset

  • قسمت 1 پیش بینی کنید Make Predictions Part 1

  • قسمت 1 پیش بینی کنید Make Predictions Part 1

  • پیش بینی ها را انجام دهید قسمت 2 (منطقه خاص) Make Predictions Part 2 (Region Specific)

  • پیش بینی قسمت 2.1 Make Prediction Part 2.1

پروژه شماره 4: سری زمان پیامبر - بازار آووکادو PROJECT #4: PROPHET TIME SERIES - AVOCADO MARKET

  • داده های آووکادو را بارگیری کنید Load Avocado Data

  • مجموعه داده را کاوش کنید Explore Dataset

  • پیش بینی ها را انجام دهید قسمت 2 (منطقه خاص) Make Predictions Part 2 (Region Specific)

  • پیش بینی قسمت 2.1 Make Prediction Part 2.1

پروژه شماره 5: شبکه عمیق LE-NET - طبقه بندی علائم ترافیکی PROJECT #5: LE-NET DEEP NETWORK - TRAFFIC SIGN CLASSIFICATION

  • معرفی Introduction

  • بررسی اجمالی پروژه Project Overview

  • بارگذاری داده ها Load Data

  • کاوش داده ها Data Exploration

  • عادی سازی داده ها Data Normalization

  • عادی سازی داده ها Data Normalization

  • آموزش مدل Model Training

  • ارزیابی مدل Model Evaluation

  • ارزیابی مدل Model Evaluation

پروژه شماره 5: شبکه عمیق LE-NET - طبقه بندی علائم ترافیکی PROJECT #5: LE-NET DEEP NETWORK - TRAFFIC SIGN CLASSIFICATION

  • معرفی Introduction

  • بررسی اجمالی پروژه Project Overview

  • بارگذاری داده ها Load Data

  • کاوش داده ها Data Exploration

  • آموزش مدل Model Training

  • ارزیابی مدل Model Evaluation

پروژه شماره 6: پردازش زبان طبیعی - فیلتر هرزنامه ایمیل PROJECT #6: NATURAL LANGUAGE PROCESSING - E-MAIL SPAM FILTER

  • معرفی Introduction

  • تئوری ساده بیز قسمت 1 Naive Bayes Theory Part 1

  • تئوری ساده بیز قسمت 2 Naive Bayes Theory Part 2

  • تئوری ساده بیز قسمت 2 Naive Bayes Theory Part 2

  • نمای کلی پروژه هرزنامه Spam Project Overview

  • نمای کلی پروژه هرزنامه Spam Project Overview

  • تجسم مجموعه داده Visualize Dataset

  • شمارش بردار Count Vectorizer

  • آموزش مدل قسمت 1 Model Training Part 1

  • آموزش مدل قسمت 2 Model Training Part 2

  • آزمایش کردن Testing

پروژه شماره 6: پردازش زبان طبیعی - فیلتر هرزنامه ایمیل PROJECT #6: NATURAL LANGUAGE PROCESSING - E-MAIL SPAM FILTER

  • معرفی Introduction

  • تئوری ساده بیز قسمت 1 Naive Bayes Theory Part 1

  • شمارش بردار Count Vectorizer

  • آموزش مدل قسمت 1 Model Training Part 1

  • آموزش مدل قسمت 2 Model Training Part 2

  • آزمایش کردن Testing

پروژه شماره 7: پردازش زبان طبیعی - بررسی های YELP PROJECT #7: NATURAL LANGUAGE PROCESSING - YELP REVIEWS

  • معرفی Introduction

  • تئوری Theory

  • تئوری Theory

  • بررسی اجمالی پروژه Project Overview

  • بارگذاری مجموعه داده Load Dataset

  • تجسم مجموعه داده قسمت 1 Visualize Dataset Part 1

  • تجسم مجموعه داده قسمت 1 Visualize Dataset Part 1

  • تجسم مجموعه داده قسمت 2 Visualize Dataset Part 2

  • تمرین 1 Exercise #1

  • تمرین 1 Exercise #1

  • تمرین شماره 2 Exercise #2

  • تمرین شماره 2 Exercise #2

  • تمرین شماره 3 Exercise #3

  • تمرین شماره 3 Exercise #3

  • NLP را روی داده اعمال کنید Apply NLP to Data

  • NLP را روی داده اعمال کنید Apply NLP to Data

  • Count Vectorizer را روی داده ها اعمال کنید Apply Count Vectorizer to Data

  • آموزش مدل قسمت 1 Model Training Part 1

  • آموزش مدل قسمت 1 Model Training Part 1

  • آموزش مدل قسمت 2 Model Training Part 2

  • ارزیابی مدل قسمت 1 Model Evaluation Part 1

  • ارزیابی مدل قسمت 1 Model Evaluation Part 1

  • ارزیابی مدل قسمت 2 Model Evaluation Part 2

پروژه شماره 7: پردازش زبان طبیعی - بررسی های YELP PROJECT #7: NATURAL LANGUAGE PROCESSING - YELP REVIEWS

  • معرفی Introduction

  • تئوری Theory

  • بررسی اجمالی پروژه Project Overview

  • بارگذاری مجموعه داده Load Dataset

  • تجسم مجموعه داده قسمت 2 Visualize Dataset Part 2

  • Count Vectorizer را روی داده ها اعمال کنید Apply Count Vectorizer to Data

  • آموزش مدل قسمت 2 Model Training Part 2

  • ارزیابی مدل قسمت 2 Model Evaluation Part 2

پروژه شماره 8: فیلتر مشارکتی مبتنی بر کاربر - سیستم توصیه کننده فیلم PROJECT #8: USER-BASED COLLABORATIVE FILTERING - MOVIE RECOMMENDER SYSTEM

  • معرفی Introduction

  • معرفی Introduction

  • تئوری Theory

  • تئوری Theory

  • بررسی اجمالی پروژه Project Overview

  • بررسی اجمالی پروژه Project Overview

  • وارد کردن مجموعه داده فیلم Import Movie Dataset

  • وارد کردن مجموعه داده فیلم Import Movie Dataset

  • تجسم مجموعه داده Visualize Dataset

  • تجسم مجموعه داده Visualize Dataset

  • فیلم مشترک فیلتر یک Collaborative Filter One Movie

  • فیلم مشترک فیلتر یک Collaborative Filter One Movie

  • توصیه کامل فیلم Full Movie Recomendation

  • توصیه کامل فیلم Full Movie Recomendation

پروژه شماره 8: فیلتر مشارکتی مبتنی بر کاربر - سیستم توصیه کننده فیلم PROJECT #8: USER-BASED COLLABORATIVE FILTERING - MOVIE RECOMMENDER SYSTEM

  • معرفی Introduction

  • تئوری Theory

  • بررسی اجمالی پروژه Project Overview

  • تجسم مجموعه داده Visualize Dataset

سخنرانی های جایزه Bonus Lectures

  • ***پاداش ویژه شما*** ***YOUR SPECIAL BONUS***

  • ***پاداش ویژه شما*** ***YOUR SPECIAL BONUS***

سخنرانی های جایزه Bonus Lectures

نمایش نظرات

آموزش تمرین عملی یادگیری ماشین | 8 پروژه دنیای واقعی
جزییات دوره
14 hours
90
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
15,319
4.5 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

Dr. Ryan Ahmed, Ph.D., MBA Dr. Ryan Ahmed, Ph.D., MBA

استاد و پرفروش ترین مربی Udemy ، دانشجویان 100K + رایان احمد مربی پرفروش Udemy است که علاقه زیادی به آموزش و فناوری دارد. ماموریت رایان این است که آموزش با کیفیت را برای همه قابل دسترسی و مقرون به صرفه کند. رایان دکترای خود را دارد. مدرک مهندسی مکانیک از دانشگاه مک مستر * ، با تمرکز بر مکاترونیک و کنترل وسایل نقلیه الکتریکی (EV). وی همچنین با تمرکز بر هوش مصنوعی (AI) و تشخیص خطا و MBA در امور مالی از دانشکده بازرگانی DeGroote ، مدرک کارشناسی ارشد علمی کاربردی را از مک مستر دریافت کرد. رایان چندین سمت مهندسی در شرکتهای Fortune 500 در سطح جهان مانند سامسونگ آمریکا و فیات-کرایسلر اتومبیل (FCA) کانادا داشت. رایان چندین دوره در زمینه علوم ، فناوری ، مهندسی و ریاضیات را به بیش از 100000 دانشجو در سطح جهان آموزش داده است. وی بیش از 15 مقاله تحقیقاتی در زمینه مجلات و کنفرانس ها در زمینه تخمین وضعیت ، هوش مصنوعی ، یادگیری ماشین ، مدل سازی باتری و کنترل های EV دارد. وی دریافت کننده بهترین جایزه مقاله در کنفرانس برق و حمل و نقل IEEE حمل و نقل (iTEC 2012) در دیترویت ، میشیگان ، ایالات متحده آمریکا است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Mitchell Bouchard Mitchell Bouchard

ویدیو | عکس | طراحی | رمزنگاری

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر