آموزش یادگیری ماشین و پیاده سازی در پایتون Python – بخش دوم
10 ساعت
4.6
یادگیری ماشین چیست؟ یادگیری ماشین (Machine Learning) یک حوزه مطالعاتی است که به ماشینها توانایی یادگیری میدهد، بدون این که نیاز باشد این ماشینها به طور صریح برنامهنویسی شوند. به عبارتی، یادگیری ماشین بررسی میکند که چگونه کامپیوترها میتوانند بر اساس داده یاد بگیرند یا کاراییشان را بهبود بخشند. اهمیت یادگیری ماشین و پیادهسازی در پایتون Python چیست؟ با توجه به اینکه اطلاعات و دادهها در زمینههای مختلف هر روزه و میشوند، نیاز به روشهایی برای پردازش، تجزیهوتحلیل این دادهها و استخراج اطلاعات مفید از آنها احساس میشود. یادگیری ماشین در پایتون به ما کمک میکند تا این کار را با دقت و سرعت بالا انجام دهیم. همچنین می توانیم با شناسایی الگوهای پنهان در دادهها و استفاده از این الگوها، پیشبینیهای دقیقی را در امور مختلف انجام دهیم. در این فرادرس چه چیزی و چگونه یاد میگیریم؟ آموزش یادگیری ماشین شامل ۱۶ درس است که در دو بخش تهیه شده است. هر بخش شامل ۸ درس است. در بخش اول مفاهیم اولیه، داده، رگرسیون و چهار روش طبقهبندی: رگرسیون لجستیک، شبکه عصبی، ماشین بردار پشتیبان و درخت تصمیم بررسی شدند. در این آموزش و در بخش دوم، ادامه روشهای طبقهبندی: دستهبندی بیز، k نزدیکترین همسایه و یادگیری جمعی بررسی میشوند. سپس انتخاب ویژگی، تقلیل ابعاد، خوشهبندی، کشف دادههای پرت و کاوش قوانین انجمنی آموزش داده میشوند. در این آموزش ابتدا مطالب به صورت تئوری توضیح داده میشود و سپس در پایان هر درس به کمک زبان پایتون پیادهسازی میشوند، همچنین میتوانید بخش اول آموزش را از طریق این لینک (+) مشاهده نمایید.
