آموزش مدلسازی پایه و ماشین لرنینگ با پایتون

آموزش مدلسازی پایه و ماشین لرنینگ با پایتون

سلام دوستان دوره آموزش مدل سازی پایه و ماشین لرنینگ، یک دوره آموزشی جامع است که به شما کمک می کند تا با اصول و روش های مدل سازی پایه و مفاهیم اسا

تریلر دوره

توضیحات کامل دوره

آموزش مدلسازی پایه و ماشین لرنینگ با پایتونسلام دوستان دوره آموزش مدل سازی پایه و ماشین لرنینگ، یک دوره آموزشی جامع است که به شما کمک می کند تا با اصول و روش های مدل سازی پایه و مفاهیم اساسی ماشین لرن...

آموزش مدلسازی پایه و ماشین لرنینگ با پایتون

سلام دوستان 
دوره آموزش مدل سازی پایه و ماشین لرنینگ، یک دوره آموزشی جامع است که به شما کمک می کند تا با اصول و روش های مدل سازی پایه و مفاهیم اساسی ماشین لرنینگ آشنا شوید. در این دوره، شما با الگوریتم های مختلف مانند رگرسیون خطی، رگرسیون لجستیک، درخت تصمیم و الگوریتم های ذکر شده در سرفصل ها آشنا می‌شود.

 با پایان این دوره، شما قادر خواهید بود تا به صورت حرفه ای و با استفاده از الگوریتم های مناسب، مسائل پیچیده را حل کنید.

 

 توجه کنید که سرفصل های ذکر شده کلی میباشید در هر قسمت و هر سرفصل ما پروژه عملی و کاربردی و تکنیک های کد زنی داریم.

 

سرفصل های دوره : 

فصل اول ) پیش پردازش داده‌ها
 ۱.۱) مباحث تکمیلی pandas و numpy
۱.۲) آشنایی با کتابخانه‌های مرتبط(scikit-learn)
۱.۳) پردازش داده
۱.۴) ارتباط داده همبستگی میان آن‌ها
فصل دوم) الگوریتم های طبقه بندی و رگرسیون
۲.۰) آشنایی و مقدمات طبقه بندی
۲.۱) معرفی الگوریتم svm و استفاده از آن
۲.۲) آموزش معیار های مختلف ارزیابی
۲.۳) معرفی و الگوریتم nkn و استفاده از آن
۲.۴) الگوریتم درخت تصمیم
۲.۵) مفاهیم ریاضی در طبقه بندی ( variance, bias , …)
۲.۶) الگوریتم random forest
۲.۷) الگوریتم AdaBoost
۲.۸) fine tune کردن الگوریتم ها با نگاه دقیق به پارامتر هایش
۲.۹) پردازش متن و زبان طبیغی NLP
۲.۱۰) آشنایی و مقدمات رگرسیون
۲.۱۱ ) الگوریتم های XG boost
۲.۱۲) الگوریتم cat boost
۲.۱۳) خلاصه فصل و جمع بندی
فصل سوم) الگوریتم های خوشه بندی
۳.۱) آشنایی با clustering
۳.۲) الگوریتم Kmeans
۳.۲) اگوریتم DBSCAN
۳.۳) تکنیک RFM
۳.۴)بررسی ریاضیات الگوریتمها و روش کار آن‌ها
۳.۵)متن کاوی و خوشه بندی در متن
۳.۵) Outer detection تشخیص داده‌های نویز
۳.۵) خلاصه فصل و جمع بندی
فصل چهارم) تکنیک های ماشین لرنینگ
۴.۱)کاهش اابعاد
۴.۲)الگوریتم PCA و KERNEL PCA برای کاهش ابعاد
۴.۴) الگوریتم Factor Analysis
۴.۵) الگوریتم های پیشرفته‌تر
۴.۶) داده‌های غیر متوازن و کارکردن با آن‌ها
فصل پنچم) مباحث تکمیلی
۵.۱) طبقه بندی تصویر
۵.۲) طبقه بندی سری های زمانی
۵.۳ الگوریتم های پیشرفته‌تر

سرفصل‌های دوره

  • پیش از شروع بخش اول
    رایگان 00:07:00
  • پیش از شروع بخش دوم
    رایگان 00:09:00
  • آماده سازی و شناخت محیط های عملیاتی
    رایگان 00:06:00
  • مباحث پیشرفته تر pandas و numpy بخش اول
    00:25:00
  • مباحث پیشرفته تر pandas و numpy بخش دوم
    00:21:00
  • مباحث پیشرفته تر pandas و numpy بخش سوم
    00:21:00
  • اشنایی با مفهوم پیش پردازش داده و کتابخونه sklearn
    00:13:34
  • مفاهیم پیش پردازش داده ها بخش اول
    00:17:00
  • مفاهیم پیش پردازش داده ها بخش دوم
    00:17:00
  • مفاهیم پیش پردازش داده ها بخش سوم
    00:17:00
  • مفاهیم پیش پردازش داده ها بخش چهارم
    00:15:00
  • مفاهیم پیش پردازش داده ها بخش آخر
    00:10:00
  • مفاهیم همبستگی میان داده ها بخش اول
    00:18:00
  • مفاهیم همبستگی میان داده ها بخش دوم | کار با داده های بیماران قلبی
    00:19:00
  • مفاهیم همبستگی میان داده ها بخش سوم | مصور سازی نتایج و همبستگی میان داده ها به شکل نمودار
    رایگان 00:09:00
  • مثالی دیگر از همبستگی میان داده ها | کار با دیتای ماشین های مختلف
    رایگان 00:20:00
  • مفهوم classification در ماشین لرنینگ
    00:18:30
  • تشخیص دست نوشته بخش اول | کار با دیتاهای تصویری Mnist
    00:17:00
  • تشخیص دست نوشته بخش دوم| اشنایی با الگوریتم SVM
    00:20:00
  • بررسی معیار های f1 recall percision در ماشین لرنینگ
    00:26:00
  • بررسی معیار های f1 recall percision در ماشین لرنینگ | بر روی الگوریتمSVM و دیتاست MNIST
    00:10:00
  • مفهوم classification در ماشین لرنینگ | مفهوم الگوریتم KNN
    00:12:23
  • استفاده از الگوریتم Knn در مثال تشخیص دست نوشته Mnist
    00:06:27
  • آشنایی با دیتاست IRIS | پیاده سازی الگوریتم DecisionTree
    00:16:00
  • مفهوم Decision tree
    00:12:00
  • بررسی معیار Gini | خلوص و impurity
    00:16:00
  • مفهوم الگوریتم Random forest
    00:12:00
  • آشنایی با الگوریتم Adaboost |پیاده سازی بر روی داده های MNIST
    00:22:00
  • بررسی داکیومنت الگوریتم SVC و بررسی پارامتر های الگوریتم
    00:22:00
  • بررسی داکیومنت الگوریتم SVC و بررسی پارامتر های الگوریتم بخش دوم
    00:14:00
  • بررسی داکیومن الگوریتم random forest و پارامتر های آن
    00:08:19
  • توضیح دو مفهوم مهم بایاس و واریانس
    00:12:00
  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | Text mining بخش اول
    00:22:00
  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | Text mining بخش دوم
    00:15:00
  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | آشنایی با هضم و شروع کد زنی
    00:13:00
  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | ادامه کد زنی
    00:19:00
  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | قسمت آخر
    00:15:21
  • مفهوم Regression در ماشین لرنینگ
    00:15:32
  • حل مثال پیش بینی آب و هوا با ماشین لرنینگ
    00:20:00
  • حل مثال پیش بینی آب و هوا با ماشین لرنینگ | معیار R2 Score
    00:22:00
  • بررسی الگوریتم XgBoost | یکی از خوب های ماشین لرنینگ
    00:14:00
  • بررسی الگوریتم XgBoost | کدزنی و حل مثال قیمت خانه
    00:26:00
  • بررسی داکیومنت الگوریتم XgBoost
    00:10:32
  • بررسی و جمع بندی فصل classification | Regression
    رایگان 00:10:00
  • مفاهیم کلاسترینگ | خوشه بندی در ماشین لرنینگ
    00:09:41
  • الگوریتم های Kmeans و DbScan برای خوشه بندی
    00:11:32
  • بررسی معیار silhouette
    00:09:53
  • کلاسترینگ بر روی متن | Text mining بر روی سوالات و جواب ها
    00:24:00
  • بررسی مفهوم outlier detection و الگوریتم LOF
    00:12:34
  • حل یک مثال برای Outlier detection بر روی داده های تراکنش های بانکی
    00:19:00
  • بررسی الگوریتم Isolation Tree
    00:07:00
  • بررسی تکنیک dimension Reduction در ماشین لرنینگ
    00:10:00
  • بررسی الگوریتم PCA
    00:13:21
  • بررسی الگوریتم Factor Analysis در Dimension Reduction
    00:06:00
  • بررسی داکیومنت الگوریتم های ذکر شده
    00:08:24
  • بررسی مفهوم imbalanced data
    00:08:00
  • سخنی کوتاه و پایانی
    رایگان 00:06:00
  • آپدیت اول دوره | مصور سازی داده و آشنایی با نمودار ها بخش اول
    00:19:00
  • آپدیت اول دوره : مصور سازی داده و آشنایی با چارت ها بخش دوم
    00:11:00
  • آپدیت اول دوره | مصور سازی داده و آشنایی با سری زمانی و مصور سازی آن
    00:11:00
  • آپدیت اول دوره | مصور سازی داده , آشنایی با matplotlib
    00:15:00
  • حل مثال با matplot و آشنایی بیشتر
    رایگان 00:15:00
  • آپدیت اول دوره | حل مثال از matplotlib و آشنایی بیشتر | بخش آخر
    00:09:00
  • آپدیت دوم دوره | تکنیک RFM برای تحلیل و خوشه بندی
    رایگان 00:08:24
  • آپدیت دوم دوره | تکنیک RFM با داده های Online Shop
    00:17:00
  • آپدیت دوم دوره | تکنیک RFM با داده های Online Shop
    00:12:23
  • آپدیت دوم دوره | تکنیک RFM با داده های Online Shop بخش آخر
    00:06:27
  • آپدیت سوم دوره | سورس کدخوانی برای سری های زمانی | مثال از داده های شرکت هواپیمایی
    00:11:32

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

850,000 تومان
255,000 تومان
70% تخفیف

این دوره شامل:
16:12:00 ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/06
آخرین به‌روزرسانی: 2026-11-01 00:17:26
تعداد امتیازها: 0
تعداد دانشجو:
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: