آموزش یادگیری ماشین با پایتون – ماشین لرنینگ با Python + گواهینامه

آموزش یادگیری ماشین با پایتون – ماشین لرنینگ با Python + گواهینامه

منظور از یادگیری ماشین چیست؟ یادگیری ماشین در واقع اطلاعاتی است که ماشین از داده استخراج کرده و شما آن را یاد می‌‌گیرید. وقتی یادگیری اتفاق افتاد، ماشین می‌تواند این اطلاعات را برای پیش‌بینی راجع به آینده استفاده کند. یادگیری ماشین جایی است که علوم کامپیوتر، آمار و هوش مصنوعی در كنار هم قرار می‌گیرند. اهمیت آشنایی با یادگیری ماشین چیست؟ در دنیای امروز شما به صورت مداوم با كاربردهای یادگیری ماشین رو‌به‌رو هستید و از آن استفاده می‌کنید. الگوریتم‌های یادگیری ماشین قلب تپنده محصولات تکنولوژی بزرگی نیز هستند. این الگوریتم‌ها در سایت‌های ویدئویی به شما فیلم پیشنهاد می‌دهند، در سایت‌‌های خرید اینترنتی به شما محصولات پیشنهاد می‌دهند، نتایج سرچ‌‌های گوگل شما را مرتب می‌کنند و باعث شده‌اند گوشی تلفن هوشمندتان فرمان‌‌ها را به صورت کلامی‌ نیز دریافت کند و حتی این الگوریتم‌‌ها، غول‌‌های بازی‌‌های شطرنج و Go را شکست می‌دهند و در آینده‌ای نزدیک، راننده‌‌های شخصی شما خواهند بود. فراتر از کاربردهای تجاری، یادگیری ماشین تاثیر عمیقی بر روی تحقیقات داده‌محور داشته است. کیهان‌شناسی، طراحی متریال، آنالیز توالی DNA و ارائه درمان در پزشكی شخصی تنها گوشه‌ای از كاربردهای یادگیری ماشین در تحقیقات امروز است. پایتون به عنوان یکی از زبان‌های برنامه‌نویسی محبوب و پرکاربرد، محیطی مناسب برای توسعه الگوریتم‌ها و پروژه‌های یادگیری ماشین فراهم می‌کند. یکی از مزیت‌های استفاده از پایتون در این حوزه، وجود کتابخانه‌های قدرتمندی است که برای یادگیری ماشین به کار می‌روند. در این فرادرس چه چیزی یاد می‌گیریم؟ در این فرادرس یادگیری ماشین را به صورت عملی در پایتون، فرا می‌گیریم. هر جا نیاز باشد برای فهم بهتر الگوریتم‌‌ها راجع به تئوری پشت هر الگوریتم صحبت می‌کنیم؛ اما هدفمان این است كه مفهوم كاركرد الگوریتم را متوجه شویم و بهتربن عملكرد ممكن را از هر الگوریتم به دست آوریم. همچنین در این آموزش، الگوریتم را از صفر نمی‌نویسیم بلكه از كتابخانه‌‌های معروف و پركاربر در این زمینه مانند Scikit Learn استفاده خواهیم كرد. با قسمت‌های مختلفی از الگوریتم‌‌های یادگیری ماشین كار كرده و روی داده‌‌های واقعی تمرین می‌كنیم و پروژه انجام می‌دهیم. در پایان آموزش می‌توانید با اعتماد به نفس، دانش به دست آمده را روی داده‌‌ها پیاده كنید و مدل‌‌های هوشمند بسازید.

تریلر دوره

توضیحات کامل دوره

...

سرفصل‌های دوره

  • چکیده
    0:01:15

  • تعریف یادگیری ماشین
    رایگان 0:09:41
  • تحلیل داده بدون یادگیری ماشین
    0:11:39
  • موارد استفاده از یادگیری ماشین
    0:17:40
  • انواع سیستم‌های یادگیری ماشین
    0:15:30
  • مهم‌ترین چالش‌های یادگیری ماشین
    0:10:36
  • مفهوم ارزیابی و تست مدل
    0:13:12
  • آزمون ۱

  • داده برای یادگیری ماشین
    0:11:09
  • منابعی برای دانلود داده
    0:06:13
  • ژوپیتر نوت‌بوک (Jupyter Notebook) و گوگل کولب (Google Colab)
    0:14:45
  • خواندن داده و بررسی اطلاعات کلی ستون‌ها با Pandas
    رایگان 0:12:05
  • بررسی توزیع فیچرها
    0:12:26
  • تقسیم داده به Train و Test به صورت تصادفی
    0:12:30
  • تقسیم داده به Train و Test به صورت تصادفی و تکرارپذیر
    0:14:53
  • تقسیم داده به Train و Test به صورت تصادفی و تکرارپذیر با شناسه
    0:15:04
  • Stratified Sampling
    0:13:42
  • پیاده‌سازی Stratified Sampling
    0:15:01
  • مصورسازی داده‌
    0:12:06
  • Correlation
    0:14:22
  • ترکیب فیچرها
    0:07:11
  • حذف Missing Values
    رایگان 0:16:01
  • پر کردن Missing Values
    0:09:50
  • Simple Imputer
    0:13:07
  • روش‌های دیگر Imputation
    0:03:52
  • اشاره‌ای به الگوی طراحی Sklearn
    0:09:13
  • پیاده‌سازی OrdinalEncoder
    0:10:21
  • پیاده‌سازی OneHotEncoder
    0:08:42
  • پیاده‌سازی MinMaxScaler
    0:12:16
  • پیاده‌سازی StandardScaler
    0:16:17
  • Data Transformation
    0:14:01
  • پیاده‌سازی TransformTargetRegressor
    رایگان 0:13:18
  • پیاده‌سازی FunctionTransformer
    0:12:05
  • نکات تکمیلی در FunctionTransformer
    0:11:01
  • سفارشی کردن Scaler
    0:14:45
  • پیاده‌سازی Pipeline
    0:13:15
  • پیاده‌سازی ColumnTransformer
    0:13:30
  • Pipeline برای تبدیلات ستون‌های مختلف
    0:14:46
  • ترکیب تمام تبدیلات فیچرها
    0:14:10
  • نکات تکمیلی در تبدیل فیچرها
    0:09:03
  • انتخاب و آموزش مدل
    0:09:05
  • معیارهای ارزیابی رگرسیون
    رایگان 0:12:33
  • ارزیابی مدل رگرسیون خطی
    0:09:58
  • مفهوم Cross Validation
    0:07:03
  • پیاده‌سازی Cross Validation
    0:07:16
  • Overfit-Underfit
    0:08:21
  • بهینه‌سازی Hyperparameters
    0:16:33
  • نکات تکمیلی در بهینه‌سازی Hyperparameters
    0:08:48
  • Feature Importance
    0:11:01
  • بازه اطمینان پیش‌بینی
    0:07:45
  • اقدامات لازم پس از نهایی کردن مدل
    0:11:17
  • آزمون ۲

  • ساختار مساله طبقه‌بندی
    رایگان 0:13:43
  • کار با دیتاست MNIST (Dataset)
    0:11:41
  • SGDClassifier
    0:06:18
  • Confusion Matrix
    0:11:47
  • پیاده‌سازی StratifiedKFold
    0:10:27
  • Precision ،Recall و F1
    0:12:30
  • Precision-Recall Trade-off
    0:08:42
  • رسم منحنی Precision-Recall
    0:10:26
  • تنظیم Precision و Recall
    0:09:51
  • منحنی ROC
    0:12:56
  • Multiclass Classification
    0:15:29
  • ارزیابی Multiclass Classification
    0:12:05
  • Multilabel Classification
    0:15:59
  • Multioutput Classification
    0:11:28
  • آزمون ۳

  • مفهوم رگرسیون خطی
    0:10:39
  • پیاده‌سازی Normal Equations
    0:17:38
  • مفهوم Gradient Descent
    0:09:33
  • Batch Gradient Descent
    0:05:17
  • پیاده‌سازی Batch Gradient Descent
    0:08:18
  • Stochastic Gradient Descent
    0:18:49
  • ساخت مدل SGDRegressor
    0:13:16
  • ساخت مدل Polynomial Regression
    0:11:35
  • رسم و تحلیل منحنی یادگیری
    0:19:55
  • Bias-Variance
    0:03:52
  • ساخت مدل Ridge
    0:08:24
  • معرفی مدل Lasso
    0:06:20
  • معرفی مدل ElasticNet
    0:04:18
  • طبقه‌بندی Logistic Regression
    0:15:30
  • ساخت مدل Logistic Regression
    0:08:51
  • عملکرد Logistic Regression
    0:08:34
  • تحلیل مرز تصمیم در Logistic Regression
    رایگان 0:19:57
  • Softmax Regression
    0:20:00
  • آزمون ۴

  • جمع‌بندی و نتیجه مباحث
    0:01:31
  • ادامه یادگیری
    0:03:02
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

  • آزمون و گواهینامه – آموزش یادگیری ماشین با پایتون

  • خلاصه و مرور آموزش

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

2,590,000 تومان
518,000 تومان
80% تخفیف

این دوره شامل:
8 فصل آموزشی
15 ساعت ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/09
آخرین به‌روزرسانی: 2026-10-29 14:43:41
تعداد امتیازها: 0
تعداد دانشجو: 0
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: