آموزش کاهش ابعاد با PSO در پایتون – تقلیل بعد داده با بهینه‌ سازی ازدحام ذرات + گواهینامه

آموزش کاهش ابعاد با PSO در پایتون – تقلیل بعد داده با بهینه‌ سازی ازدحام ذرات + گواهینامه

این آموزش به بررسی الگوریتم بهینه سازی ازدحام ذرات (PSO) به عنوان روشی برای کاهش ابعاد داده‌ها می‌پردازد.

تریلر دوره

توضیحات کامل دوره

الگوریتم بهینه‌سازی ازدحام ذرات چیست؟ الگوریتم بهینه‌سازی ازدحام ذرات (PSO)، مثل یک گله پرنده که دنبال بهترین جای غذا می‌گردد، کار می‌کند. هر پرنده (یا ذره) در این گله، با ...

الگوریتم بهینه‌سازی ازدحام ذرات چیست؟

الگوریتم بهینه‌سازی ازدحام ذرات (PSO)، مثل یک گله پرنده که دنبال بهترین جای غذا می‌گردد، کار می‌کند. هر پرنده (یا ذره) در این گله، با توجه به جایی که خودش بهترین غذا رو پیدا کرده و جایی که بهترین غذا رو توی گله پیدا شده، تصمیم می‌گیره کجا پرواز کنه. این الگوریتم خیلی ساده و در عین حال قدرتمنده و برای حل خیلی از مشکلات بهینه‌سازی استفاده میشه.

اهمیت یادگیری کاهش ابعاد داده‌‌ها در پایتون با الگوریتم بهینه‌‌سازی ازدحام ذرات چیست؟

الگوریتم بهینه‌سازی ازدحام ذرات (PSO)، یکی از روش‌های قدرتمند برای کاهش ابعاد داده است. با یادگیری نحوه استفاده از PSO در پایتون، شما قادر خواهید بود تا به طور موثر ویژگی‌های مهم داده‌ها را انتخاب کنید و مدل‌های یادگیری ماشین کارآمدتری را آموزش دهید. این مهارت به شما کمک می‌کند تا در پروژه‌های تحلیل داده، از جمله یادگیری ماشین و یادگیری عمیق، موفق‌تر باشید.

در این فرادرس چه چیزی یاد می‌گیریم؟

در این آموزش، ابتدا به معرفی مفهوم کاهش ویژگی و تکنیک‌های مختلف کاهش ویژگی خواهیم پرداخت، سپس الگوریتم بهینه‌سازی ازدحام ذرات را مورد بررسی قرار می‌دهیم. در ادامه، چگونگی استفاده از این الگوریتم را برای یافتن مناسب‌ترین ویژگی‌ها با زبان برنامه‌نویسی پایتون شرح می‌دهیم.

سرفصل‌های دوره

  • چکیده
    0:01:30

  • معرفی مفهوم ویژگی و کاهش ویژگی
    رایگان 0:06:06
  • تمرین ۱ - انتخاب ویژگی
  • آزمون ۱

  • معرفی الگوریتم‌های فراابتکاری و استراتژی جست‌وجوی الگوریتم PSO
    0:09:27
  • تکنیک‌های انتخاب جمعیت اولیه
    0:02:55
  • به‌روزرسانی سرعت و موقعیت ذرات – معرفی عامل شناختی و عامل اجتماعی
    رایگان 0:12:54
  • تمرین ۱ - الگوریتم بهینه‌سازی ازدحام ذرات
  • آزمون ۲

  • خواندن داده‌ها از فایل‌های CSV و تقسیم داده‌ها به دو مجموعه آموزش و آزمایش
    0:10:30
  • مقداردهی اولیه پارامترهای مورد استفاده در الگوریتم PSO
    0:12:00
  • تولید کردن ذرات – راه‌حل‌های اولیه
    0:11:55
  • بررسی صحیح بودن ذرات و انتخاب ویژگی‌های مربوطه
    0:12:12
  • پیاده‌سازی تابع هدف مربوطه
    0:13:03
  • نگهداری بهترین موقعیت و بهترین مقدار تابع هدف ذرات
    0:12:16
  • درک شهودی از نگهداری بهترین موقعیت و بهترین مقدار تابع هدف ذرات
    0:12:40
  • درک شهودی از نحوه به‌روزرسانی سرعت و موقعیت ذرات
    0:12:57
  • نگهداری بهترین موقعیت سراسری و مقدار تابع هدف متناظر با آن
    0:12:22
  • پیاده‌سازی چگونگی تغییر فاکتور وزن اینرسی و به‌روزرسانی سرعت ذرات
    رایگان 0:12:13
  • استخراج مناسب‌ترین ویژگی‌ها از مجموعه داده مورد ارزیابی
    0:11:06
  • بررسی کیفیت ویژگی‌های استخراج‌شده و ساخت ماتریس اغتشاش
    0:11:00
  • تمرین ۱ - روش نرمال‌سازی StandardScaler
  • تمرین ۲ - روش نرمال‌سازی MinMaxScaler
  • تمرین ۳ - تغییر مقدار فاکتور وزن اینرسی
  • تمرین ۴ - استفاده از معیارهای Precision, Recall و F1-score
  • آزمون ۳

  • جمع‌بندی و نتیجه مباحث
    0:02:54
  • ادامه یادگیری
    0:02:19
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

  • تمرین ۱ - طراحی یک شبکه عصبی پرسپترون چند لایه
  • تمرین ۲ - تقسیم داده‌ها به دو بخش

  • آزمون نهایی و دریافت گواهینامه دوزبانه

  • 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.

1,690,000 تومان
338,000 تومان
80% تخفیف

این دوره شامل:
8 فصل آموزشی
3:2:18 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 14:02:26
تعداد امتیازها: 1
تعداد دانشجو: 49
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: