آموزش درونیابی در پایتون – مفاهیم اولیه تا روش‌های پیاده‌سازی پیشرفته

آموزش درونیابی در پایتون – مفاهیم اولیه تا روش‌های پیاده‌سازی پیشرفته

در این آموزش روش های درون یابی در پایتون را می آموزید و با پیاده سازی عملی الگوریتم ها در کتابخانه های تخصصی، مسائل عددی و تحلیل داده را بررسی می کنید.

تریلر دوره

توضیحات کامل دوره

درون‌یابی یا Interpolation چیست؟ درون‌یابی (Interpolation) یکی از مباحث کلیدی در پردازش داده‌ها و تحلیل عددی است که به کمک آن می‌توان مقادیر ناشناخته را بر اساس داده‌های مو...

درون‌یابی یا Interpolation چیست؟

درون‌یابی (Interpolation) یکی از مباحث کلیدی در پردازش داده‌ها و تحلیل عددی است که به کمک آن می‌توان مقادیر ناشناخته را بر اساس داده‌های موجود تخمین زد. این تکنیک در علوم مختلف از جمله مهندسی، ریاضیات، علوم داده و حتی یادگیری ماشین کاربرد گسترده‌ای دارد.

اهمیت یادگیری درون‌یابی در پایتون چیست؟

یادگیری درونیابی در پایتون کمک می‌کند وقتی داده‌ها ناقص یا گسسته هستند، بتوان مقادیر بین آن‌ها را به صورت منطقی و دقیق تخمین زد و تحلیل قابل‌اعتمادتری انجام داد. این مهارت در کار با داده‌های واقعی خیلی کاربردی است، چون در بسیاری از پروژه‌ها مثل تحلیل داده، یادگیری ماشین، مهندسی یا حتی کارهای علمی، همیشه داده کامل در دسترس نیست. با استفاده از کتابخانه‌هایی مثل NumPy و SciPy می‌توان انواع روش‌های درونیابی را پیاده‌سازی کرد و نتایج را برای مدل‌سازی، پیش‌بینی یا رسم نمودارهای دقیق‌تر به کار برد. در واقع، تسلط بر این مفهوم باعث می‌شود فرد بتواند داده‌ها را بهتر درک کند، شکاف‌های اطلاعاتی را پوشش دهد و تصمیم‌های دقیق‌تری بر اساس تحلیل‌های عددی بگیرد.

در این فرادرس چه چیزی یاد می‌گیریم؟

در این آموزش ابتدا با مفاهیم پایه‌ای درون‌یابی و انواع روش‌های کلاسیک مانند درون‌یابی خطی (Linear)، چندجمله‌ای (Polynomial)، اسپلاین مکعبی (Cubic Spline)، لاگرانژ (Lagrange) و نیوتن (Newton) آشنا می‌شویم. سپس به سراغ کاربردهای عملی مانند پر کردن داده‌های گمشده (Imputation) و درون‌یابی چندبعدی می‌رویم. در ادامه روش‌های پیشرفته‌تر شامل درون‌یابی با الگوریتم‌های یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) معرفی خواهند شد. در پایان این آموزش می‌توانید با توجه به نوع داده و کاربرد، مناسب‌ترین روش درون‌یابی را انتخاب کرده و در پایتون پیاده‌سازی کنید.

  • فصل یکم: مبانی و مفاهیم اولیه
    • درس ۱: درون‌یابی خطی
    • درس ۲: ساخت مجموعه داده و مصورسازی نتایج
    • درس ۳: پیاده‌سازی درون‌یابی خطی و مصورسازی نتایج
    • درس ۴: درون‌یابی چندجمله‌ای و پدیده Runge
    • درس ۵: پیاده‌سازی درون‌یابی چندجمله‌ای و مصورسازی نتایج
  • فصل دوم: روش‌های کلاسیک درون‌یابی
    • درس ۶: درون‌یابی لاگرانژ، باری‌سنتر و نیوتون
    • درس ۷: درون‌یابی هرمیت
    • درس ۸: پیاده‌سازی درون‌یابی هرمیت و مصورسازی نتایج
    • درس ۹: درون‌یابی تکه‌ای و اسپلاین
    • درس ۱۰: پیاده‌سازی درون‌یابی بی-اسپلاین و مصورسازی نتایج
    • درس ۱۱: پیاده‌سازی درون‌یابی اسپلاین مکعبی و مصورسازی نتایج
    • درس ۱۲: پیاده‌سازی هموارسازی اسپلاین با حداقل مربعات
    • درس ۱۳: هموارسازی اسپلاین، پیاده‌سازی و مصورسازی نتایج
    • درس ۱۴: سایر روش‌های هموارسازی اسپلاین
    • درس ۱۵: بررسی اثر تعداد گره در هموارسازی
    • درس ۱۶: سایر ابزارهای موجود برای درون‌یابی اسپلاین
  • فصل سوم: درون‌یابی چندبعدی
    • درس ۱۷: درون‌یابی چندمتغیره و درون‌یابی خطی دوبعدی
    • درس ۱۸: درون‌یابی خطی سه‌بعدی
    • درس ۱۹: شبکه منظم و تابع Mesh Grid
    • درس ۲۰: پیاده‌سازی درون‌یابی خطی چندبعدی و مصورسازی نتایج
    • درس ۲۱: معیارهای ارزیابی خطا و پیاده‌سازی تابع ارزیابی نتایج
    • درس ۲۲: درون‌یابی اسپلاین چندبعدی
    • درس ۲۳: Broadcasting و تولید مجموعه داده مصنوعی
    • درس ۲۴: پیاده‌سازی درون‌یابی اسپلاین دوبعدی مستطیلی و ارزیابی نتایج
    • درس ۲۵: پیاده‌سازی اسپلاین دوبعدی هموار
    • درس ۲۶: پیاده‌سازی اسپلاین صفحه نازک و ارزیابی نتایج
    • درس ۲۷: درون‌یابی مبتنی بر توابع پایه شعاعی
    • درس ۲۸: توابع پایه شعاعی معروف و داکیومنت RBF در کتابخانه Scipy
    • درس ۲۹: پیاده‌سازی هموارسازی و درون‌یابی توابع پایه شعاعی
    • درس ۳۰: فرایند گاوسی
    • درس ۳۱: بررسی داکیومنت مربوط به فرایند گاوسی در کتابخانه Sklearn
    • درس ۳۲: پیاده‌سازی روش فرایند گاوسی
    • درس ۳۳: ادامه پیاده‌سازی روش فرایند گاوسی و مصورسازی نتایج
  • فصل چهارم: روش‌های مبتنی بر فیلتر
    • درس ۳۴: روش‌های مبتنی بر فیلتر و میانگین متحرک
    • درس ۳۵: بررسی انواع میانگین متحرک
    • درس ۳۶: عملگر پیچش و تولید مجموعه داده مصنوعی سری زمانی
    • درس ۳۷: پیاده‌سازی میانگین متحرک ساده و مصورسازی نتایج
    • درس ۳۸: پیاده‌سازی میانگین متحرک ساده از پایه با استفاده از کتابخانه Numpy
    • درس ۳۹: عملگر چرخش در کتابخانه Pandas و پارامترهای تنظیم عملکرد آن
    • درس ۴۰: پیاده‌سازی عملگر چرخش و بررسی عملکرد آن در شرایط مختلف
    • درس ۴۱: عملگر محاسبات وزنی نمایی در کتابخانه Pandas
    • درس ۴۲: فیلتر کالمن
    • درس ۴۳: بررسی کتابخانه Pykalman
    • درس ۴۴: شبیه‌سازی حرکت دوبعدی با سرعت ثابت، شرایط نویزدار و مقادیر گمشده
    • درس ۴۵: پیاده‌سازی فیلتر کالمن، بررسی شرایط اولیه و عدم اطمینان
    • درس ۴۶: پیاده‌سازی فیلتر کالمن و بررسی ماتریس انتقال و تابع اندازه‌گیری
    • درس ۴۷: پیاده‌سازی فیلتر کالمن و بررسی پیش‌بینی و حلقه به‌روزرسانی
    • درس ۴۸: پیاده‌سازی فیلتر کالمن و بررسی نتایج
  • فصل پنجم: روش‌های مبتنی بر یادگیری ماشین
    • درس ۴۹: روش‌های مبتنی بر یادگیری ماشین
    • درس ۵۰: K نزدیک‌ترین همسایه
    • درس ۵۱: بررسی تنظیمات K نزدیک‌ترین همسایه
    • درس ۵۲: بررسی داکیومنت K نزدیک‌ترین همسایه در کتابخانه Sklearn
    • درس ۵۳: پیاده‌سازی K نزدیک‌ترین همسایه
    • درس ۵۴: مصورسازی نتایج K نزدیک‌ترین همسایه
    • درس ۵۵: بررسی اثر نویز و هایپرپارامترها بر رفتار K نزدیک‌ترین همسایه
    • درس ۵۶: بررسی HNSW و KNN Imputer از کتابخانه Sklearn
    • درس ۵۷: پیاده‌سازی KNN Imputer و ارزیابی نتایج
    • درس ۵۸: ماشین بردار پشتیبان
    • درس ۵۹: بررسی داکیومنت ماشین بردار پشتیبان در کتابخانه Sklearn
    • درس ۶۰: پیاده‌سازی ماشین بردار پشتیبان و اصلاح مقیاس مجوعه داده
    • درس ۶۱: پیاده‌سازی ماشین بردار پشتیبان و تقسیم مجموعه داده
    • درس ۶۲: پیاده‌سازی ماشین بردار پشتیبان، ارزیابی نتایج و بررسی تاثیر تنظیمات
  • فصل ششم: روش‌های مبتنی بر شبکه‌های عصبی
    • درس ۶۳: شبکه‌های عصبی مصنوعی
    • درس ۶۴: شبکه‌های عصبی پرسپترون چند لایه
    • درس ۶۵: پیاده‌سازی شبکه عصبی پرسپترون چند لایه با Sklearn
    • درس ۶۶: فریمورک Keras
    • درس ۶۷: پیاده‌سازی شبکه عصبی پرسپترون چند لایه با Keras
    • درس ۶۸: شبکه‌های عصبی خودرمزگذار
    • درس ۶۹: پیاده‌سازی شبکه عصبی خودرمزگذار
    • درس ۷۰: تولید مجموعه جواب‌های احتمالی
    • درس ۷۱: محاسبه خطای بازسازی برای مجموعه جواب‌های احتمالی
    • درس ۷۲: پیاده‌سازی تابع درون‌یابی برای شبکه عصبی خودرمزگذار
    • درس ۷۳: درون‌یابی در داده‌های پیچیده و خاص
    • درس ۷۴: معرفی روش‌های پرکاربرد برای داده‌های پیچیده و خاص
  • فصل هفتم: راهنمایی ادامه مسیر
    • درس ۷۵: جمع‌بندی و نتیجه مباحث
    • درس ۷۶: ادامه یادگیری

سرفصل‌های دوره

  • چکیده
    0:01:13

  • درون‌یابی خطی
    رایگان 0:15:47
  • ساخت مجموعه داده و مصورسازی نتایج
    0:09:30
  • پیاده‌سازی درون‌یابی خطی و مصورسازی نتایج
    0:15:16
  • درون‌یابی چندجمله‌ای و پدیده Runge
    0:12:04
  • پیاده‌سازی درون‌یابی چندجمله‌ای و مصورسازی نتایج
    0:13:48

  • درون‌یابی لاگرانژ، باری‌سنتر و نیوتون
    0:13:44
  • درون‌یابی هرمیت
    0:10:19
  • پیاده‌سازی درون‌یابی هرمیت و مصورسازی نتایج
    رایگان 0:11:32
  • درون‌یابی تکه‌ای و اسپلاین
    0:14:25
  • پیاده‌سازی درون‌یابی بی-اسپلاین و مصورسازی نتایج
    0:10:25
  • پیاده‌سازی درون‌یابی اسپلاین مکعبی و مصورسازی نتایج
    0:16:53
  • پیاده‌سازی هموارسازی اسپلاین با حداقل مربعات
    0:07:47
  • هموارسازی اسپلاین، پیاده‌سازی و مصورسازی نتایج
    0:07:02
  • سایر روش‌های هموارسازی اسپلاین
    0:07:32
  • بررسی اثر تعداد گره در هموارسازی
    0:12:28
  • سایر ابزارهای موجود برای درون‌یابی اسپلاین
    0:02:24

  • درون‌یابی چندمتغیره و درون‌یابی خطی دوبعدی
    رایگان 0:12:54
  • درون‌یابی خطی سه‌بعدی
    0:04:58
  • شبکه منظم و تابع Mesh Grid
    0:13:36
  • پیاده‌سازی درون‌یابی خطی چندبعدی و مصورسازی نتایج
    0:07:37
  • معیارهای ارزیابی خطا و پیاده‌سازی تابع ارزیابی نتایج
    0:12:09
  • درون‌یابی اسپلاین چندبعدی
    0:08:25
  • Broadcasting و تولید مجموعه داده مصنوعی
    0:10:18
  • پیاده‌سازی درون‌یابی اسپلاین دوبعدی مستطیلی و ارزیابی نتایج
    0:11:45
  • پیاده‌سازی اسپلاین دوبعدی هموار
    0:14:40
  • پیاده‌سازی اسپلاین صفحه نازک و ارزیابی نتایج
    0:15:55
  • درون‌یابی مبتنی بر توابع پایه شعاعی
    0:13:39
  • توابع پایه شعاعی معروف و داکیومنت RBF در کتابخانه Scipy
    0:07:01
  • پیاده‌سازی هموارسازی و درون‌یابی توابع پایه شعاعی
    0:12:18
  • فرایند گاوسی
    0:05:31
  • بررسی داکیومنت مربوط به فرایند گاوسی در کتابخانه Sklearn
    رایگان 0:11:29
  • پیاده‌سازی روش فرایند گاوسی
    0:10:31
  • ادامه پیاده‌سازی روش فرایند گاوسی و مصورسازی نتایج
    0:08:19

  • روش‌های مبتنی بر فیلتر و میانگین متحرک
    0:10:59
  • بررسی انواع میانگین متحرک
    0:07:44
  • عملگر پیچش و تولید مجموعه داده مصنوعی سری زمانی
    0:11:17
  • پیاده‌سازی میانگین متحرک ساده و مصورسازی نتایج
    0:09:09
  • پیاده‌سازی میانگین متحرک ساده از پایه با استفاده از کتابخانه Numpy
    0:08:35
  • عملگر چرخش در کتابخانه Pandas و پارامترهای تنظیم عملکرد آن
    0:11:09
  • پیاده‌سازی عملگر چرخش و بررسی عملکرد آن در شرایط مختلف
    0:15:34
  • عملگر محاسبات وزنی نمایی در کتابخانه Pandas
    0:14:13
  • فیلتر کالمن
    0:09:37
  • بررسی کتابخانه Pykalman
    0:03:28
  • شبیه‌سازی حرکت دوبعدی با سرعت ثابت، شرایط نویزدار و مقادیر گمشده
    0:13:28
  • پیاده‌سازی فیلتر کالمن، بررسی شرایط اولیه و عدم اطمینان
    رایگان 0:11:55
  • پیاده‌سازی فیلتر کالمن و بررسی ماتریس انتقال و تابع اندازه‌گیری
    0:08:58
  • پیاده‌سازی فیلتر کالمن و بررسی پیش‌بینی و حلقه به‌روزرسانی
    0:09:01
  • پیاده‌سازی فیلتر کالمن و بررسی نتایج
    0:10:05

  • روش‌های مبتنی بر یادگیری ماشین
    0:08:56
  • K نزدیک‌ترین همسایه
    0:11:23
  • بررسی تنظیمات K نزدیک‌ترین همسایه
    0:06:33
  • بررسی داکیومنت K نزدیک‌ترین همسایه در کتابخانه Sklearn
    0:09:15
  • پیاده‌سازی K نزدیک‌ترین همسایه
    0:13:00
  • مصورسازی نتایج K نزدیک‌ترین همسایه
    0:07:16
  • بررسی اثر نویز و هایپرپارامترها بر رفتار K نزدیک‌ترین همسایه
    0:09:39
  • بررسی HNSW و KNN Imputer از کتابخانه Sklearn
    0:09:24
  • پیاده‌سازی KNN Imputer و ارزیابی نتایج
    رایگان 0:15:43
  • ماشین بردار پشتیبان
    0:10:11
  • بررسی داکیومنت ماشین بردار پشتیبان در کتابخانه Sklearn
    0:13:54
  • پیاده‌سازی ماشین بردار پشتیبان و اصلاح مقیاس مجوعه داده
    0:12:11
  • پیاده‌سازی ماشین بردار پشتیبان و تقسیم مجموعه داده
    0:09:40
  • پیاده‌سازی ماشین بردار پشتیبان، ارزیابی نتایج و بررسی تاثیر تنظیمات
    0:12:11

  • شبکه‌های عصبی مصنوعی
    0:10:33
  • شبکه‌های عصبی پرسپترون چند لایه
    0:11:10
  • پیاده‌سازی شبکه عصبی پرسپترون چند لایه با Sklearn
    0:15:24
  • فریمورک Keras
    0:15:44
  • پیاده‌سازی شبکه عصبی پرسپترون چند لایه با Keras
    0:16:07
  • شبکه‌های عصبی خودرمزگذار
    0:12:29
  • پیاده‌سازی شبکه عصبی خودرمزگذار
    0:17:06
  • تولید مجموعه جواب‌های احتمالی
    0:06:55
  • محاسبه خطای بازسازی برای مجموعه جواب‌های احتمالی
    رایگان 0:11:00
  • پیاده‌سازی تابع درون‌یابی برای شبکه عصبی خودرمزگذار
    0:13:45
  • درون‌یابی در داده‌های پیچیده و خاص
    0:10:32
  • معرفی روش‌های پرکاربرد برای داده‌های پیچیده و خاص
    0:12:51

  • جمع‌بندی و نتیجه مباحث
    0:01:26
  • ادامه یادگیری
    0:03:29
  • ادامه مسیر تا ورود به بازار کار
  • دسترسی به آموزش‌های «ادامه یادگیری»

  • خلاصه و مرور آموزش
  • واژه‌نامه (Glossary)
  • سوالات متداول (FAQ)
  • مشاغل مرتبط
  • نمونه سئوالات مصاحبه شغلی

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

4,290,000 تومان
858,000 تومان
80% تخفیف

این دوره شامل:
9 فصل آموزشی
13:46:13 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:32:43
تعداد امتیازها: 0
تعداد دانشجو: 28
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: