آموزش ریاضی برای یادگیری ماشین + پیاده سازی در پایتون + گواهینامه

آموزش ریاضی برای یادگیری ماشین + پیاده سازی در پایتون + گواهینامه

7 ساعت
0.0

یادگیری ماشین و زبان پایتون چیست؟ یادگیری ماشین یکی از شاخه‌های هوش مصنوعی است که در آن کامپیوترها با استفاده از الگوریتم‌های خاص، قادر به یادگیری از داده‌ها هستند و بر اساس آن‌ها، پیش‌بینی‌هایی انجام می‌دهند یا تصمیم‌هایی می‌گیرند. پایتون یک زبان برنامه‌نویسی بسیار قدرتمند و پویا است که برای برنامه‌نویسی کاربردی، علم داده، هوش مصنوعی، تحلیل داده، وب، بازی‌ها و بسیاری از کاربردهای دیگر استفاده می‌شود. به طور کلی، پایتون به دلیل سادگی و آسانی در یادگیری، خوانایی کد و امکانات بسیاری که در آن وجود دارد، بسیار محبوب است. اهمیت یادگیری ریاضی برای یادگیری ماشین و پیاده‌سازی در پایتون چیست؟ یادگیری ریاضی یکی از اصولی‌ترین و ضروری‌ترین بخش‌های یادگیری ماشین است. در واقع، ریاضیات در تمامی الگوریتم‌های ماشینی به کار می‌رود و برای پیاده‌سازی این الگوریتم‌ها در پایتون نیز باید با اصول ریاضی آشنا باشید. یکی از مهم‌ترین مفاهیم ریاضی در یادگیری ماشین، آمار و احتمالات است. در این فرادرس چه چیزی یاد می‌گیریم؟ در این فرادرس، با مفاهیمی ‌چون جبر خطی، ماتریس‌، بردار و بهینه‌سازی آشنا می‌شویم. یادگیری این مفاهیم در درک بهتر عملکرد الگوریتم‌های یادگیری ماشین کمک زیادی می‌کند. یکی از امتیازات این آموزش این است که علاوه بر آموزش تئوری ریاضیات، مطالب به زبان پایتون نیز پیاده‌سازی می‌شوند. در این آموزش مباحث گرادیان و الگوریتم گرادیان کاهشی در رگرسیون، بردار و ضرایب لاگرانژ و بهینه‌سازی در الگوریتم ماشین بردار پشتیبان، مشتق در الگوریتم شبکه عصبی، احتمال و قانون بیز در دسته‌بندی بیز، محاسبه فاصله در الگوریتم k نزدیک‌ترین همسایه و ماتریس، دترمینان و بردار ویژه را یاد خواهیم گرفت. همچنین، با مفاهیم میانگین و واریانس برای کار با داده‌ها و تغییر مقیاس آن‌ها آشنا می‌شویم. در پایان این آموزش، درک خوبی از مفاهیم پایه‌ای ریاضیات مورد نیاز برای یادگیری ماشین خواهید داشت و قادر خواهید بود این مفاهیم را در یادگیری ماشین به کار ببرید.

فرادرس
فرشید شیرافکن

تریلر دوره

توضیحات کامل دوره

...

سرفصل‌های دوره

  • چکیده
    0:01:26

  • تفریق و ضرب دو بردار – بردارهای متعامد
    رایگان 0:17:42
  • کار عملی – کار با پکیج نامپای (NumPy)
    0:14:28
  • آزمون ۱

  • جمع و تفریق و ضرب ماتریس‌ها، ترانهاده ماتریس، ماتریس متقارن و اثر ماتریس
    0:15:01
  • دترمینان ماتریس
    رایگان 0:15:33
  • محاسبه دترمینان با روش ساروس
    0:05:30
  • وارون ماتریس
    0:12:44
  • ماتریس متعامد، ماتریس مثبت معین و نرم ماتریس
    0:07:42
  • کار عملی – پیاده‌‎سازی ماتریس با پکیج نامپای
    0:17:44
  • کار عملی – محاسبه دترمینان و وارون ماتریس
    رایگان 0:08:09
  • کار عملی – کار با پکیج SymPy
    0:04:27
  • آزمون ۲

  • حل دستگاه معادلات خطی
    0:13:45
  • قانون کرامر
    0:11:53
  • بررسی چند مثال
    0:04:58
  • کار عملی – حل دستگاه معادلات خطی با پکیج NumPy و SymPy
    0:11:16
  • آزمون ۳

  • مقادیر ویژه و بردارهای ویژه
    رایگان 0:08:11
  • مثال‌های مقادیر ویژه و بردارهای ویژه
    0:11:47
  • مثال‌های بیشتر برای مقادیر ویژه و بردارهای ویژه
    0:15:02
  • مقادیر منفرد ماتریس
    0:05:01
  • تجزیه با روش SVD
    0:07:28
  • کار عملی – محاسبه بردار ویژه با پکیج NumPy
    رایگان 0:11:31
  • کار عملی – محاسبه بردار ویژه با پکیج SymPy
    0:02:11
  • کار عملی – محاسبه تجزیه با روش SVD
    0:08:21
  • آزمون ۴

  • تعریف حد
    0:06:28
  • مثال‌هایی برای حد
    رایگان 0:08:06
  • کار عملی – محاسبه حد با پکیج SymPy
    0:16:09
  • آزمون ۵

  • تعریف مشتق – فرمول‌های مشتق‌گیری
    0:11:20
  • مشتق توابع مثلثاتی – مشتق توابع پارامتری
    0:09:59
  • مشتق‌گیری زنجیره‌ای – مشتق تابع ضمنی
    0:09:59
  • مثال‌های مشتق‌گیری زنجیره‌ای و ضمنی
    0:09:12
  • مینیمم و ماکسیم تابع
    0:12:11
  • کار عملی – محاسبه مشتق با پکیج SymPy
    رایگان 0:06:05
  • کار عملی – محاسبه مشتق
    0:05:58
  • آزمون ۶

  • تعریف انتگرال
    0:10:41
  • انتگرال معین – انتگرال ناسره
    0:08:25
  • کار عملی – انتگرال‌گیری با پکیج SymPy
    0:06:27
  • آزمون ۷

  • روش لاگرانژ (Lagrange)
    رایگان 0:11:00
  • پیداکردن مینیمم با روش لاگرانژ
    0:06:06
  • روش لاگرانژ برای بیش از یک قید
    0:06:50
  • کار عملی – گرادیان کاهشی
    0:14:50
  • کار عملی – بهینه‌سازی به کمک پکیج SciPy
    0:08:08
  • آزمون ۸

  • محاسبه میانگین، میانه، مد، چارک، واریانس، انحراف معیار، کواریانس و ضریب همبستگی
    0:17:09
  • نمایش گرافیکی توصیف‌های آماری، نمودار میله‌ای، هیستوگرام و نمودار جعبه‌ای
    0:07:07
  • کار عملی – محاسبه شاخص‌های آماری با پکیج‌های پایتون
    0:11:01
  • فضای نمونه، پیشامد، احتمال و احتمال شرطی
    0:17:47
  • قضیه بیز
    0:08:55
  • کار عملی – توزیع‌های برنولی (Bernoulli)، دوجمله‌ای، پواسون (Poisson) و نرمال
    0:10:55
  • آزمون ۹

  • جمع‌بندی و ادامه یادگیری
    0:02:02
  • ادامه مسیر تا ورود به بازار کار

  • تمرین ۱ - عملیات بر روی بردار
  • تمرین ۲ - حاصل‌ضرب ماتریس
  • تمرین ۳ - دستگاه معادلات خطی
  • تمرین ۵- محاسبه حد توابع
  • تمرین ۴ - مقادری ویژه ماتریس
  • تمرین ۶ - مشتق توابع
  • تمرین ۷ - انتگرال
  • تمرین ۸ - مینیموم تابع
  • تمرین ۹ - مینیموم، ماکسیموم و چارک‌ها
  • تمرین ۱۰ - مینیموم، ماکسیموم و چارک‌ها
  • تمرین ۱۱ - تجزیه ماتریس و محاسبه مقادیر ويژه
  • تمرین ۱۲ - محاسبه انتگرال معین و نامعین
  • تمرین ۱۳ - محاسبه مینیموم، ماکسیموم و چارک‌ها و رسم نمودار جعبه‌ای

  • آموزش ریاضی برای یادگیری ماشین + پیاده سازی در پایتون

  • 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.

2,190,000 تومان
438,000 تومان
80% تخفیف
ثبت‌نام در دوره
این دوره شامل:
14 فصل آموزشی
7 ساعت ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/09
آخرین به‌روزرسانی: 2026-10-29 14:58:26
تعداد امتیازها: 0
تعداد دانشجو: 0
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: