یادگیری ماشین از صفر تا صد با Python و R

• با پایتون و Scikit-learn در ۵ دقیقه پیش‌بینی خرید خودرو با یادگیری ماشین را هیجان‌انگیز کنید
  00:04:45
• چگونه از Google Colab و پوشه دوره یادگیری ماشین استفاده کنیم
  00:05:44

• گردش کار یادگیری ماشین: وارد کردن، مدل‌سازی و ارزیابی مدل یادگیری ماشین شما
  00:01:31
• اهمیت تقسیم داده به مجموعه آموزش و آزمون در ارزیابی مدل‌های یادگیری ماشین
  00:02:02
• مقیاس‌بندی ویژگی در یادگیری ماشین: نرمال‌سازی در مقابل استانداردسازی توضیح داده شده است
  00:06:27

• مرحله ۱ - پیش‌پردازش داده در پایتون آماده‌سازی مجموعه داده شما برای مدل‌های ML
  00:05:21
• مرحله ۲ - تکنیک‌های پیش‌پردازش داده از داده خام تا مجموعه داده‌های آماده برای یادگیری ماشین
  00:05:21
• ابزار یادگیری ماشین وارد کردن کتابخانه‌های NumPy، Matplotlib و Pandas
  00:03:34
• مرحله ۱ - مبانی یادگیری ماشین وارد کردن مجموعه داده‌ها با استفاده از Pandas read_csv()
  00:05:13
• مرحله ۲ - استفاده از iloc پانداس برای انتخاب ویژگی در پیش‌پردازش داده‌های یادگیری ماشین
  00:04:42
• مرحله ۳ - پیش‌پردازش داده‌ها ساخت بردارهای X و Y برای آموزش مدل یادگیری ماشین
  00:05:46
• مرحله ۱ - استفاده از Scikit-Learn برای جایگزینی مقادیر گمشده در یادگیری ماشین
  00:05:56
• مرحله ۲ - جایگزینی داده‌های گمشده در پایتون با SimpleImputer و ستون‌های عددی
  00:05:58
• مرحله ۱ - تبدیل ویژگی‌های دسته‌ای به فرمت وان-هات انکودینگ برای الگوریتم‌های یادگیری ماشین
  00:04:24
• مرحله ۲ - پردازش داده‌های دسته‌ای با رمزگذاری یک-داغ (One-Hot Encoding) با ColumnTransformer
  00:05:54
• مرحله ۳ - پیش‌پردازش داده‌های دسته‌بندی شده تکنیک‌های One-Hot و Label Encoding
  00:04:39
• مرحله ۱ - نحوه آماده‌سازی داده‌ها برای مجموعه آموزش و آزمون یادگیری ماشین
  00:03:55
• مرحله ۲ - آماده‌سازی داده‌ها ایجاد مجموعه آموزش و تست در پایتون برای مدل‌های ML
  00:05:59
• مرحله ۳ - تقسیم داده‌ها به مجموعه‌های آموزش و آزمون بهترین شیوه‌ها در پایتون
  00:03:52
• مرحله ۱ - مقیاس‌بندی ویژگی در یادگیری ماشین چرا برای پیش‌پردازش داده‌ها حیاتی است
  00:05:56
• مرحله ۲ - نحوه مقیاس‌بندی ویژگی‌های عددی در پایتون برای پیش‌پردازش یادگیری ماشین
  00:04:45
• مرحله ۳ - توضیح متدهای Fit و Transform برای پیاده‌سازی Feature Scaling
  00:03:48
• مرحله ۴ - اعمال مقیاس‌دهنده یکسان به مجموعه‌های آموزش و آزمون در پایتون
  00:05:59

• شروع کار با زبان برنامه‌نویسی R نصب R و RStudio در ویندوز و مک
  00:05:21
• پیش‌پردازش داده برای مبتدیان آماده‌سازی مجموعه داده شما برای یادگیری ماشین
  00:01:35
• آموزش پیش‌پردازش داده درک متغیرهای مستقل در مقابل وابسته
  00:01:57
• آموزش R وارد کردن و مشاهده مجموعه داده‌ها برای پیش‌پردازش داده
  00:02:44
• چگونگی مدیریت مقادیر گمشده در پیش‌پردازش داده در R برای یادگیری ماشین
  00:05:55
• استفاده از تابع Factor در R برای مدیریت متغیرهای دسته‌ای در تحلیل داده
  00:05:56
• مرحله ۱ - نحوه آماده‌سازی داده‌ها برای مجموعه‌های آموزش و آزمون یادگیری ماشین
  00:04:38
• مرحله ۲ - آماده‌سازی داده‌ها ایجاد مجموعه‌های آموزش و آزمون در R برای مدل‌های ML
  00:04:54
• مقیاس‌بندی ویژگی در یادگیری ماشین - گام اول: چرا برای پیش‌پردازش داده‌ها حیاتی است
  00:04:25
• نحوه مقیاس‌بندی ویژگی‌های عددی در R برای پیش‌پردازش یادگیری ماشین - مرحله ۲
  00:04:49
• مراحل ضروری پیش‌پردازش داده آماده‌سازی مجموعه داده شما برای مدل‌های یادگیری ماشین
  00:05:15

این فصل هیچ جلسه‌ای ندارد.

• رگرسیون خطی ساده درک معادله و پیش‌بینی عملکرد سیب‌زمینی
  00:02:22
• چگونه بهترین خط برازش را پیدا کنیم: درک رگرسیون حداقل مربعات معمولی
  00:03:17
• مرحله ۱الف - تسلط بر مفاهیم کلیدی و پیاده‌سازی رگرسیون خطی ساده
  00:05:49
• مرحله ۱ب پیش‌پردازش داده برای رگرسیون خطی وارد کردن و تقسیم داده در پایتون
  00:05:58
• مرحله ۲الف - ساخت یک مدل رگرسیون خطی ساده با Scikit-learn در پایتون
  00:03:53
• مرحله ۲ب - مبانی یادگیری ماشین آموزش مدل رگرسیون خطی در پایتون
  00:03:58
• مرحله ۳ - استفاده از متد Predict در Scikit-Learn برای رگرسیون خطی در پایتون
  00:04:35
• مرحله ۴الف - ترسیم رگرسیون خطی حقوق واقعی در مقابل حقوق پیش‌بینی شده
  00:05:49
• مرحله ۴ب - ارزیابی عملکرد مدل رگرسیون خطی روی داده‌های آزمون
  00:05:57
• مرحله ۱ - پیش‌پردازش داده‌ها در R آماده‌سازی برای مدل‌سازی رگرسیون خطی
  00:04:40
• مرحله ۲ - برازش رگرسیون خطی ساده در R با تابع LM و خلاصه مدل
  00:05:58
• مرحله ۳ - نحوه استفاده از تابع predict() در R برای تحلیل رگرسیون خطی
  00:03:38
• مرحله ۴الف - ترسیم داده‌های رگرسیون خطی در R ggplot2 راهنمای گام به گام
  00:05:44
• مرحله ۴ب - ایجاد نمودار پراکندگی با خط رگرسیون در R با استفاده از ggplot2
  00:05:33
• مرحله ۴c - مقایسه پیش‌بینی‌های مجموعه آموزش و مجموعه آزمون در رگرسیون خطی
  00:04:37

• مدل رگرسیون پیش‌بینی موفقیت استارتاپ برای تصمیم‌گیری صندوق‌های سرمایه‌گذاری خطرپذیر
  00:03:44
• متغیرهای مستقل رگرسیون خطی چندگانه و مدل‌های پیش‌بینی
  00:02:26
• درک مفروضات رگرسیون خطی: خطی بودن، همگنی و موارد دیگر
  00:04:23
• چگونگی مدیریت متغیرهای دسته‌ای در مدل‌های رگرسیون خطی
  00:07:21
• هم‌خطی چندگانه در رگرسیون درک تله متغیرهای مجازی
  00:02:10
• درک مقادیر P و اهمیت آماری در آزمون فرض
  00:11:44
• حذف گام به گام برای ساخت مدل‌های رگرسیون خطی چندگانه قوی
  00:15:41
• مرحله ۱الف - پیش‌پردازش داده عملی برای رگرسیون خطی چندگانه در پایتون
  00:05:54
• مرحله ۱ب - راهنمای عملی پیاده‌سازی رگرسیون خطی چندگانه در پایتون
  00:02:35
• مرحله ۲الف - رگرسیون خطی چندگانه عملی آماده‌سازی داده‌ها در پایتون
  00:04:28
• مرحله ۲ب - رگرسیون خطی چندگانه در پایتون آماده‌سازی مجموعه داده شما
  00:04:43
• مرحله ۳الف - Scikit-learn برای ساخت مدل کارآمد رگرسیون خطی چندگانه
  00:05:52
• مرحله ۳ب - ساخت و آموزش مدل‌های رگرسیون خطی چندگانه با Scikit-Learn
  00:04:32
• مرحله ۴الف مقایسه سود واقعی در مقابل سود پیش‌بینی شده در رگرسیون خطی - عملی با رابط گرافیکی
  00:05:38
• مرحله ۴ب - یادگیری ماشین در پایتون ارزیابی دقت رگرسیون خطی چندگانه
  00:05:34
• مرحله ۱الف - پیش‌پردازش داده برای مدیریت داده‌های دسته‌ای در MLR
  00:03:53
• مرحله ۱ب - آماده‌سازی مجموعه داده‌ها برای رگرسیون خطی چندگانه در R
  00:03:57
• مرحله ۲الف - رگرسیون خطی چندگانه در R ساخت و تفسیر رگرسور
  00:05:22
• مرحله ۲ب - اهمیت آماری - مقادیر P و ستاره‌ها در رگرسیون
  00:04:20
• مرحله ۳ - نحوه استفاده از تابع predict() در R برای رگرسیون خطی چندگانه
  00:04:26
• بهینه‌سازی مدل‌های رگرسیون چندگانه با تکنیک حذف گام به گام در R
  00:17:51
• تسلط بر انتخاب ویژگی: حذف گام به گام در R برای رگرسیون خطی
  00:07:33

• درک کاربردها و مثال‌های رگرسیون خطی چندجمله‌ای
  00:05:08
• مرحله ۱الف - ساخت مدل رگرسیون چندجمله‌ای برای پیش‌بینی حقوق در پایتون
  00:04:36
• مرحله ۱ب - آماده‌سازی داده‌ها برای مقایسه رگرسیون خطی در مقابل چندجمله‌ای
  00:05:55
• مرحله ۲الف رگرسیون خطی به چندجمله‌ای - آماده‌سازی داده‌ها برای مدل‌های پیشرفته
  00:05:55
• مرحله ۲ب - تبدیل رگرسیون خطی به چندجمله‌ای: راهنمای گام به گام
  00:05:43
• مرحله ۳الف - ترسیم حقوق واقعی در مقابل حقوق پیش‌بینی شده - تجسم رگرسیون خطی
  00:05:57
• مرحله ۳ب - رگرسیون چندجمله‌ای در مقابل خطی برازش بهتر با درجات بالاتر
  00:05:38
• مرحله ۴الف پیش‌بینی حقوق - رگرسیون خطی در پایتون (راهنمای ورودی آرایه)
  00:03:59
• گام ۴ب رگرسیون چندجمله‌ای پایتون - پیش‌بینی دقیق حقوق
  00:03:59
• مرحله ۱الف - پیاده‌سازی رگرسیون چندجمله‌ای در R - مطالعه موردی تحلیل حقوق و دستمزد HR
  00:03:45
• مرحله ۱ب - مبانی یادگیری ماشین آماده‌سازی داده‌ها برای رگرسیون چندجمله‌ای
  00:03:39
• مرحله ۲الف - ساخت مدل‌های رگرسیون خطی و چندجمله‌ای در R: یک مقایسه
  00:04:40
• مرحله ۲ب - ساخت مدل رگرسیون چندجمله‌ای با افزودن جملات درجه دوم و سوم
  00:04:55
• مرحله ۳الف: مصورسازی نتایج رگرسیون - ایجاد نمودارهای پراکندگی با ggplot2 در
  00:04:59
• مرحله ۳ب تجسم رگرسیون خطی - ترسیم پیش‌بینی‌ها در مقابل مشاهدات
  00:05:31
• مرحله ۳c - برازش منحنی رگرسیون چندجمله‌ای برای پیش‌بینی‌های بهتر
  00:05:42
• مرحله ۴الف - چگونه با استفاده از رگرسیون چندجمله‌ای در R پیش‌بینی‌های تکی انجام دهیم
  00:03:58
• مرحله ۴ب - پیش‌بینی حقوق با رگرسیون چندجمله‌ای: یک مثال عملی
  00:03:47
• مرحله ۱ - ساخت یک چارچوب قابل استفاده مجدد برای تحلیل رگرسیون غیرخطی در R
  00:05:57
• مرحله ۲ - تسلط بر بصری‌سازی مدل رگرسیون افزایش وضوح داده‌ها
  00:05:25

• تفاوت رگرسیون بردار پشتیبان (SVR) با رگرسیون خطی چیست
  00:08:09
• SVR با هسته RBF: از رگرسیون بردار پشتیبان خطی تا غیرخطی
  00:03:57
• مرحله ۱ الف - مقیاس‌بندی ویژگی مدل SVR و آماده‌سازی مجموعه داده در پایتون
  00:05:46
• مرحله ۱ب - SVR در پایتون وارد کردن کتابخانه‌ها و مجموعه داده برای یادگیری ماشین
  00:03:29
• مرحله ۲الف - تسلط بر مقیاس‌بندی ویژگی برای رگرسیون بردار پشتیبان در پایتون
  00:05:34
• مرحله ۲ب تغییر شکل داده‌ها برای SVR - آماده‌سازی بردار Y برای مقیاس‌بندی ویژگی (پایتون)
  00:04:56
• مرحله ۲c آماده‌سازی داده‌های SVR - مقیاس‌بندی مستقل X و Y با StandardScaler
  00:03:31
• مرحله ۳ رگرسیون SVM ایجاد و آموزش مدل SVR با هسته RBF در پایتون
  00:05:57
• مرحله ۴ - مدیریت پیش‌بینی مدل SVR با داده‌های مقیاس‌شده و تبدیل معکوس
  00:03:46
• مرحله ۵الف - راهنمای گام به گام نحوه ترسیم مدل‌های رگرسیون بردار پشتیبان (SVR)
  00:03:42
• مرحله ۵ب - مقیاس‌بندی SVR و تبدیل معکوس در پایتون
  00:03:40
• مرحله ۱ - آموزش SVR ساخت یک رگرسیون ماشین بردار پشتیبان در R
  00:05:58
• مرحله ۱ - آموزش SVR ساخت یک رگرسیون ماشین بردار پشتیبان در R
  00:05:58
• مرحله ۲ - رگرسیون بردار پشتیبان ساخت یک مدل پیش‌بینی‌کننده در پایتون
  00:04:58

• چگونه یک درخت رگرسیون بسازیم: راهنمای گام به گام برای یادگیری ماشین
  00:11:06
• مرحله ۱الف - رگرسیون درخت تصمیم ساخت مدل بدون مقیاس‌بندی ویژگی
  00:04:40
• مرحله ۱ب آپلود و پیش‌پردازش داده‌ها برای رگرسیون درخت تصمیم در پایتون
  00:03:58
• گام ۲ - پیاده‌سازی DecisionTreeRegressor راهنمای گام به گام در پایتون
  00:04:59
• مرحله ۳ - پیاده‌سازی رگرسیون درخت تصمیم در پایتون پیش‌بینی کردن
  00:03:16
• مرحله ۴ - نمایش نتایج با وضوح بالا در رگرسیون درخت تصمیم
  00:04:59
• مرحله ۱ - ساخت یک رگرسیون درخت تصمیم با استفاده از تابع rpart در R
  00:04:55
• مرحله ۲ - رگرسیون درخت تصمیم رفع تقسیم‌ها با پارامتر کنترل rpart
  00:05:49
• مرحله ۳ رگرسیون غیرپیوسته - چالش‌های بصری‌سازی درخت تصمیم
  00:04:55
• مرحله ۴ - تجسم درخت تصمیم: درک فواصل و پیش‌بینی‌ها
  00:03:50

• درک شهودی الگوریتم جنگل تصادفی و کاربرد آن در یادگیری ماشین
  00:06:44
• مرحله ۱ - ساخت مدل جنگل تصادفی رگرسیون با پایتون و Scikit-Learn
  00:05:53
• مرحله ۲ - ایجاد پارامترهای کلیدی رگرسیون جنگل تصادفی و برازش مدل
  00:05:55
• مرحله ۱ - ساخت مدل جنگل تصادفی در آموزش رگرسیون R
  00:05:51
• مرحله ۲ - مصورسازی جنگل تصادفی رگرسیون تفسیر پله‌ها و تقسیم‌ها
  00:05:58
• مرحله ۳ - تنظیم دقیق جنگل تصادفی از ۱۰ تا ۵۰۰ درخت برای پیش‌بینی دقیق
  00:05:26

• درک R-squared ارزیابی میزان برازش در مدل‌های رگرسیون
  00:04:35
• درک تفاوت‌های کلیدی R-Squared تعدیل‌شده با R-Squared توضیح داده شده
  00:05:30

• مرحله ۱ - تسلط بر ابزار رگرسیون مقایسه مدل‌ها برای عملکرد بهینه
  00:04:45
• مرحله ۲ - ایجاد قالب‌های کد عمومی برای مدل‌های مختلف رگرسیون در پایتون
  00:05:59
• مرحله ۳ ارزیابی مدل‌های رگرسیون - ضریب تعیین (R-Squared) و معیارهای عملکرد توضیح داده شده
  00:03:59
• مرحله ۴ - پیاده‌سازی امتیاز R-Squared در پایتون با استفاده از متریسک‌های Scikit-Learn
  00:03:58
• مرحله ۱ - انتخاب بهترین مدل رگرسیون ارزیابی R-squared در پایتون
  00:04:47
• مرحله ۲ - انتخاب بهترین مدل رگرسیون جنگل تصادفی در مقابل عملکرد SVR
  00:04:15

• بهینه‌سازی مدل‌های رگرسیون R-Squared در مقابل Adjusted R-Squared توضیح داده شده است
  00:08:54
• تحلیل رگرسیون خطی تفسیر ضرایب برای تصمیمات تجاری
  00:09:16

• طبقه‌بندی در مبانی و کاربردهای یادگیری ماشین چیست
  00:02:30

• درک رگرسیون لجستیک پیش‌بینی نتایج دسته‌ای
  00:04:55
• رگرسیون لجستیک یافتن بهترین منحنی برازش با استفاده از حداکثر درست‌نمایی
  00:03:50
• مرحله ۱الف - ساخت مدل رگرسیون لجستیک برای پیش‌بینی رفتار مشتری
  00:05:43
• مرحله ۱ب - پیاده‌سازی رگرسیون لجستیک در پایتون راهنمای پیش‌پردازش داده‌ها
  00:03:59
• مرحله ۲الف آماده‌سازی داده پایتون برای رگرسیون لجستیک آماده‌سازی مجموعه داده
  00:05:51
• مرحله ۲ب - پیش‌پردازش داده‌ها تکنیک‌های مقیاس‌بندی ویژگی برای رگرسیون لجستیک
  00:05:57
• مرحله ۳الف - چگونگی وارد کردن و استفاده از کلاس LogisticRegression از Scikit-learn
  00:03:58
• مرحله ۳ب - روش برازش مدل رگرسیون لجستیک برای طبقه‌بندی
  00:03:30
• مرحله ۴الف - قالب‌بندی ورودی مشاهده تکی برای پیش‌بینی رگرسیون لجستیک
  00:05:59
• گام ۴ب: تصمیمات خرید پیش‌بینی‌شده در مقابل واقعی در رگرسیون لجستیک
  00:01:49
• مرحله ۵ - مقایسه نتایج پیش‌بینی‌شده در مقابل نتایج واقعی راهنمای رگرسیون لجستیک پایتون
  00:05:59
• مرحله ۶الف - پیاده‌سازی ماتریس درهم‌ریختگی و امتیاز دقت در Scikit-Learn
  00:05:52
• مرحله ۶ب ارزیابی مدل‌های طبقه‌بندی - ماتریس درهم‌ریختگی و معیارهای دقت
  00:03:33
• مرحله ۷الف - مصورسازی مرزهای تصمیم رگرسیون لجستیک در نمودار دوبعدی پایتون
  00:05:54
• مرحله ۷ب - تفسیر نتایج رگرسیون لجستیک مناطق پیش‌بینی توضیح داده شده
  00:03:44
• مرحله ۷c - نمایش عملکرد رگرسیون لجستیک بر روی داده‌های جدید در پایتون
  00:03:19
• مرحله ۱ - پیش‌پردازش داده‌ها برای رگرسیون لجستیک در R آماده‌سازی مجموعه داده شما
  00:05:58
• مرحله ۲ - چگونه یک طبقه‌بند رگرسیون لجستیک با استفاده از تابع GLM در R بسازیم
  00:02:58
• مرحله ۳ - راهنمای گام به گام نحوه استفاده از R برای پیش‌بینی رگرسیون لجستیک
  00:05:23
• مرحله ۴ - نحوه ارزیابی دقت مدل با استفاده از ماتریس درهم‌ریختگی در R
  00:02:48
• مرحله ۵الف - تفسیر نمودارهای رگرسیون لجستیک مناطق پیش‌بینی توضیح داده شده
  00:05:48
• مرحله ۵ب رگرسیون لجستیک - طبقه‌بندهای خطی و مرزهای پیش‌بینی
  00:05:59
• مرحله ۵c - نمایش داده‌ها در R رنگی کردن پیکسل‌ها برای رگرسیون لجستیک
  00:04:59
• بهینه‌سازی اسکریپت‌های R برای یادگیری ماشین ساخت یک قالب طبقه‌بندی
  00:05:22

• توضیح K-نزدیک‌ترین همسایه (KNN) راهنمای مبتدی برای طبقه‌بندی
  00:04:52
• مرحله ۱ - آموزش پایتون KNN طبقه‌بندی داده‌های مشتری برای بازاریابی هدفمند
  00:05:58
• مرحله ۲ - ساخت مدل K-نزدیک‌ترین همسایه Scikit-Learn KNeighborsClassifier
  00:05:51
• مرحله ۳ - مصورسازی مرزهای تصمیم KNN آموزش پایتون برای مبتدیان
  00:05:58
• مرحله ۱ - پیاده‌سازی طبقه‌بندی KNN در R راه‌اندازی و آماده‌سازی داده‌ها
  00:05:54
• مرحله ۲ - ساخت طبقه‌بند KNN آماده‌سازی مجموعه آموزش و تست در R
  00:04:33
• مرحله ۳ - پیاده‌سازی طبقه‌بندی KNN در R تطبیق قالب طبقه‌بند
  00:04:44

• ماشین‌های بردار پشتیبان توضیح داده شده‌اند: ابرصفحه‌ها و بردارهای پشتیبان در یادگیری ماشین
  00:09:49
• مرحله ۱ - ساخت مدل ماشین بردار پشتیبان با Scikit-learn در پایتون
  00:05:58
• مرحله ۲ - ساخت مدل ماشین بردار پشتیبان با SVC اسکی‌کیت‌ لرن در پایتون
  00:05:53
• مرحله ۳ - درک محدودیت‌های SVM خطی چرا نتوانست بر طبقه‌بند kNN غلبه کند
  00:02:39
• مرحله ۱ - ساخت یک طبقه‌بند SVM خطی در R وارد کردن داده و تنظیمات اولیه
  00:05:47
• مرحله ۲ ساخت و ارزیابی طبقه‌بند SVM خطی در R - پیش‌بینی‌ها و نتایج
  00:05:27

• از SVM خطی به غیرخطی: کاوش فضاهای با ابعاد بالاتر
  00:03:17
• ماشین‌های بردار پشتیبان: تبدیل داده‌های غیرخطی برای جداسازی خطی
  00:07:50
• ترفند کرنل SVM یادگیری ماشین برای طبقه‌بندی غیرخطی
  00:12:20
• آشنایی با انواع توابع کرنل برای یادگیری ماشین
  00:02:24
• تسلط بر رگرسیون بردار پشتیبان (SVR) غیرخطی با هسته RBF توضیح داده شده است
  00:10:55
• مرحله ۱ - اعمال کرنل SVM پایتون با RBF برای حل طبقه‌بندی غیرخطی
  00:05:59
• مرحله ۲ - تسلط بر SVM هسته بهبود دقت با طبقه‌بندی‌کننده‌های غیرخطی
  00:05:59
• مرحله ۱ - کرنل SVM در مقابل SVM خطی غلبه بر جدایی‌ناپذیری غیرخطی در R
  00:05:42
• مرحله ۲ - ساخت طبقه‌بند SVM با هسته گوسی برای یادگیری ماشین پیشرفته
  00:05:41
• مرحله ۳ تجسم کرنل SVM - طبقه‌بندی غیرخطی در یادگیری ماشین
  00:04:58

• درک شهودی قضیه بیز از احتمال تا یادگیری ماشین
  00:20:25
• درک الگوریتم بیز ساده طبقه‌بندی احتمالی توضیح داده شده است
  00:14:03
• قضیه بیز در یادگیری ماشین محاسبه احتمال گام به گام
  00:06:04
• چرا بیز ساده «Naive» نامیده می‌شود؟ درک مفروضات الگوریتم
  00:09:41
• مرحله ۱ - نایو بیز در پایتون، کاربرد یادگیری ماشین در بهینه‌سازی تبلیغات شبکه‌های اجتماعی
  00:05:56
• مرحله ۲ - آموزش و ارزیابی طبقه‌بندی‌کننده Naive Bayes پایتون بر روی داده‌های واقعی
  00:05:48
• مرحله ۳ - تحلیل دقت و پیش‌بینی‌های الگوریتم نایو بیز
  00:01:35
• مرحله ۱ - شروع کار با الگوریتم Naive Bayes در R برای طبقه‌بندی
  00:04:53
• مرحله ۲ - عیب‌یابی بردارهای پیش‌بینی خالی طبقه‌بندی بیز ساده
  00:04:41
• مرحله ۳ - مصورسازی نتایج نایو بیز ایجاد ماتریس درهم‌ریختگی و نمودارها
  00:03:29

• الگوریتم‌های درخت تصمیم چگونه کار می‌کنند: راهنمای گام به گام با مثال
  00:08:08
• مرحله ۱ - پیاده‌سازی طبقه‌بندی درخت تصمیم با Scikit-learn در پایتون
  00:05:59
• مرحله ۲ - آموزش طبقه‌بند درخت تصمیم بهینه‌سازی عملکرد در پایتون
  00:05:56
• مرحله ۱ - آموزش R ایجاد یک طبقه‌بند درخت تصمیم با کتابخانه rpart
  00:05:55
• مرحله ۲ - بهینه‌سازی مرزهای پیش‌بینی با طبقه‌بند درخت تصمیم در R
  00:05:51
• مرحله ۳ - تجسم درخت تصمیم کاوش در تقسیم‌ها و شرایط در R
  00:05:42

• درک درختان تصمیم جنگل تصادفی و توضیح رأی اکثریت
  00:04:28
• مرحله ۱ - پیاده‌سازی طبقه‌بندی جنگل تصادفی در پایتون با Scikit-Learn
  00:05:56
• مرحله ۲ ارزیابی جنگل تصادفی - ماتریس درهم‌ریختگی و معیارهای دقت
  00:05:56
• مرحله ۱ طبقه‌بندی‌کننده جنگل تصادفی - از الگو تا پیاده‌سازی در R
  00:05:56
• مرحله ۲ طبقه‌بندی جنگل تصادفی - مصورسازی پیش‌بینی‌ها و نتایج
  00:05:58
• مرحله ۳ - ارزیابی نتایج مجموعه آزمون عملکرد جنگل تصادفی و بیش‌برازش
  00:05:26

• تسلط بر ماتریس درهم‌ریختگی: مثبت‌های واقعی، منفی‌های واقعی و خطاها
  00:04:52
• مرحله ۱ - چگونه الگوریتم طبقه‌بندی مناسب را برای مجموعه داده خود انتخاب کنید
  00:05:51
• مرحله ۲ - بهینه‌سازی انتخاب مدل کد طبقه‌بندی ساده‌شده در پایتون
  00:05:59
• مرحله ۳ - ارزیابی معیارهای دقت الگوریتم‌های طبقه‌بندی در پایتون
  00:05:52
• مرحله ۴ - فرآیند انتخاب مدل ارزیابی الگوریتم‌های طبقه‌بندی
  00:02:38

• رگرسیون لجستیک: تفسیر پیش‌بینی‌ها و خطاها در علم داده
  00:07:57
• مدل یادگیری ماشین، ارزیابی، پارادوکس دقت و معیارهای بهتر
  00:02:12
• درک منحنی‌های CAP ارزیابی عملکرد مدل در علم داده ۲۰۲۴
  00:11:16
• تسلط بر تحلیل CAP ارزیابی مدل‌های طبقه‌بندی با نسبت دقت
  00:06:19

این فصل هیچ جلسه‌ای ندارد.

• خوشه‌بندی در یادگیری ماشین: مقدمه‌ای بر یادگیری بدون نظارت
  00:03:19
• آموزش خوشه‌بندی K-Means بصری‌سازی الگوریتم یادگیری ماشین
  00:02:37
• راهنمای گام به گام استفاده از روش Elbow در خوشه‌بندی K-Means
  00:03:59
• الگوریتم K-Means++ حل مشکل مقداردهی اولیه تصادفی در خوشه‌بندی
  00:04:48
• مرحله ۱الف - آموزش K-Means پایتون شناسایی الگوهای مشتری در داده‌های مال
  00:04:59
• مرحله ۱b خوشه‌بندی K-Means - آماده‌سازی داده در Google ColabJupyter
  00:02:58
• مرحله ۲الف - خوشه‌بندی K-Means در پایتون انتخاب ویژگی‌های مرتبط برای تحلیل
  00:04:55
• مرحله ۲ب خوشه‌بندی K-Means - بهینه‌سازی ویژگی‌ها برای بصری‌سازی دوبعدی
  00:05:25
• مرحله ۳الف - پیاده‌سازی روش Elbow برای خوشه‌بندی K-Means در پایتون
  00:05:59
• مرحله ۳ب - بهینه‌سازی WCSS خوشه‌بندی K-means و پیاده‌سازی روش Elbow
  00:05:57
• مرحله ۳c - ترسیم نمودار روش زانو برای خوشه‌بندی K-Means در پایتون
  00:03:58
• مرحله ۴ - ایجاد یک متغیر وابسته از نتایج خوشه‌بندی K-Means در پایتون
  00:05:58
• مرحله ۵الف تجسم خوشه‌های K-Means داده‌های مشتری با Scatter پایتون
  00:05:59
• مرحله ۵ب - مصورسازی خوشه‌های K-Means ترسیم بخش‌بندی مشتریان در پایتون
  00:04:57
• مرحله ۵c - تحلیل بینش‌های بخش‌بندی مشتریان با خوشه‌بندی K-means
  00:06:59
• مرحله ۱ - خوشه‌بندی K-Means در R وارد کردن و بررسی داده‌های بخش‌بندی
  00:05:59
• مرحله ۲ - پیاده‌سازی الگوریتم K-Means در R برازش و تحلیل داده‌های مال
  00:05:39

• راهنمای گام به گام خوشه‌بندی سلسله مراتبی برای یادگیری ماشین
  00:08:47
• نمایش دندروگرام‌های عدم تشابه خوشه‌ها در خوشه‌بندی سلسله‌مراتبی
  00:08:47
• تسلط بر تحلیل دندروگرام خوشه‌بندی سلسله‌مراتبی و تعیین آستانه
  00:11:21
• مرحله ۱ - شروع با راه‌اندازی داده‌های خوشه‌بندی سلسله مراتبی در پایتون
  00:05:58
• مرحله ۲الف - پیاده‌سازی خوشه‌بندی سلسله‌مراتبی ساخت دندروگرام با SciPy
  00:04:52
• مرحله ۲ب - نمایش مبانی دندروگرام خوشه‌بندی سلسله‌مراتبی در پایتون
  00:05:58
• مرحله ۲c - تفسیر دندروگرام‌ها خوشه‌های بهینه در خوشه‌بندی سلسله مراتبی
  00:05:59
• مرحله ۳الف - ساخت مدل خوشه‌بندی سلسله‌مراتبی با Scikit-learn در پایتون
  00:05:45
• مرحله ۳ب - مقایسه ۳ در مقابل ۵ خوشه در مثال پایتون خوشه‌بندی سلسله‌مراتبی
  00:05:42
• مرحله ۱ - وارد کردن داده‌های R برای تحلیل خوشه‌بندی درآمد سالانه و امتیاز هزینه
  00:03:45
• مرحله ۲ استفاده از H.clust در R - ساخت و تفسیر دندروگرام‌ها برای خوشه‌بندی
  00:05:23
• مرحله ۳ - پیاده‌سازی خوشه‌بندی سلسله مراتبی با استفاده از روش Cat Tree در R
  00:03:18
• مرحله ۴ - روش نمودار خوشه‌ای نمایش نتایج خوشه‌بندی سلسله مراتبی در R
  00:02:45
• مرحله ۵ - خوشه‌بندی سلسله‌مراتبی در R درک الگوهای هزینه مشتری
  00:02:33

این فصل هیچ جلسه‌ای ندارد.

• الگوریتم آپریوری کشف الگوهای پنهان در قوانین انجمنی داده‌کاوی
  00:18:13
• مرحله ۱ - یادگیری قوانین وابستگی فروش را با داده‌کاوی پایتون افزایش دهید
  00:08:46
• مرحله ۲ - ایجاد لیستی از تراکنش‌ها برای تحلیل سبد خرید در پایتون
  00:17:07
• مرحله ۳ - تنظیم پارامترهای Support، Confidence و Lift در تابع Apriori در پایتون
  00:12:48
• مرحله ۴ نمایش نتایج الگوریتم Apriori برای معاملات محصول در پایتون
  00:19:41
• مرحله ۱ - ایجاد یک ماتریس پراکنده برای استخراج قوانین وابستگی در R
  00:19:53
• مرحله ۲ - بهینه‌سازی مدل Apriori انتخاب حداقل پشتیبانی و اطمینان
  00:14:24
• مرحله ۳ بهینه‌سازی جایگذاری محصول - الگوریتم Apriori، لیفت و اطمینان
  00:19:17

• تسلط بر رویکرد مبتنی بر پشتیبانی ECLAT برای بهینه‌سازی سبد خرید
  00:06:05
• آموزش پایتون: تطبیق آپریوری با اکلات برای استخراج کارآمد مجموعه اقلام پرتکرار
  00:12:00
• Eclat در مقابل Apriori: یادگیری قوانین وابستگی ساده‌شده در داده‌کاوی
  00:10:09

این فصل هیچ جلسه‌ای ندارد.

• اکتشاف در مقابل بهره‌برداری در یادگیری تقویتی با الگوریتم سارق چند دست
  00:15:36
• الگوریتم کران بالای اطمینان برای حل مسائل سارق مسلح چندگانه در یادگیری ماشین
  00:14:53
• مرحله ۱ - حل مسئله سارق مسلح چند دست با استفاده از کران بالای اطمینان در پایتون
  00:12:42
• مرحله ۲ پیاده‌سازی الگوریتم UCB در پایتون - آماده‌سازی داده‌ها
  00:03:51
• مرحله ۳ - کد پایتون برای کران بالای اطمینان تنظیم متغیرهای کلیدی
  00:07:16
• مرحله ۴ - پایتون برای یادگیری تقویتی کدنویسی الگوریتم UCB مرحله به مرحله
  00:15:45
• مرحله ۵ - کدنویسی بهینه‌سازی انتخاب تبلیغات با استفاده از حد بالای اطمینان در پایتون
  00:06:12
• مرحله ۶ - یادگیری تقویتی نهایی کردن الگوریتم UCB در پایتون
  00:07:28
• مرحله ۷ - مصورسازی نتایج الگوریتم UCB تحلیل هیستوگرام در پایتون
  00:08:09
• مرحله ۱ - بررسی کران بالای اطمینان در مسائل سارق مسلح چند دسته‌ای R
  00:13:39
• مرحله ۲ - الگوریتم UCB در R محاسبه پاداش میانگین و بازه اطمینان
  00:15:58
• مرحله ۳ بهینه‌سازی انتخاب آگهی - الگوریتم UCB و چند-بازویی شرح داده شده
  00:17:37
• مرحله ۴ - تحلیل عملکرد الگوریتم UCB در انتخاب تبلیغات با هیستوگرام‌ها
  00:03:18

• درک شهود و پیاده‌سازی الگوریتم تامپسون سمپلینگ
  00:19:12
• UCB قطعی در مقابل احتمالی و نمونه‌برداری تامپسون در یادگیری ماشین
  00:08:12
• مرحله ۱ - پیاده‌سازی تامپسون سمپلینگ پایتون برای مسائل بندیت
  00:05:47
• مرحله ۲ - بهینه‌سازی انتخاب آگهی با الگوریتم تامپسون سمپلینگ در پایتون
  00:12:19
• مرحله ۳ - کد پایتون برای نمونه‌گیری تامپسون با حداکثر کردن توزیع‌های بتا تصادفی
  00:14:03
• مرحله ۴ - غلبه بر UCB با نمونه‌گیری تامپسون آموزش مانیتوری چند دسته‌ای پایتون
  00:07:45
• مرحله ۱ - نمونه‌برداری تامپسون در مقابل UCB بهینه‌سازی نرخ کلیک تبلیغات در R
  00:19:01
• Step 2 - Reinforcement Learning Thompson Sampling Outperforms UCB Algorithm
  00:03:27

• NLP Basics Understanding Bag of Words and Its Applications in Machine Learning
  00:03:02
• پردازش زبان طبیعی عمیق و مدل‌های توالی به توالی کاوش در پردازش زبان طبیعی
  00:04:11
• از قوانین IfElse تا تکامل پردازش زبان طبیعی در شبکه‌های عصبی کانولوشنال
  00:11:22
• از قوانین IfElse تا تکامل پردازش زبان طبیعی در شبکه‌های عصبی کانولوشنال
  00:11:22
• پیاده‌سازی Bag of Words در پردازش زبان طبیعی: یک آموزش گام به گام
  00:17:05
• مرحله ۱ - شروع کار با تحلیل احساسات پردازش زبان طبیعی
  00:07:13
• مرحله ۲ - وارد کردن داده‌های TSV برای تحلیل احساسات پردازش داده‌های NLP پایتون
  00:06:45
• مرحله ۳ - پاکسازی متن برای NLP حذف علائم نگارشی و تبدیل به حروف کوچک
  00:12:54
• مرحله ۴ - پیش‌پردازش متن ریشه‌یابی و حذف کلمات توقف برای پردازش زبان طبیعی در پایتون
  00:11:00
• مرحله ۵ - توکنایز کردن و استخراج ویژگی برای تحلیل احساسات بیز ساده
  00:17:24
• مرحله ۶ - آموزش و ارزیابی یک طبقه‌بند بیز ساده برای تحلیل احساسات
  00:09:52
• مرحله ۱ - طبقه‌بندی متن با استفاده از Bag-of-Words و Random Forest در R
  00:16:35
• مرحله ۲ - پیش‌پردازش داده‌های NLP در R وارد کردن فایل‌های TSV برای تحلیل احساسات
  00:08:39
• مرحله ۳ - پردازش زبان طبیعی (NLP) در R راه‌اندازی یک کورپوس برای تحلیل احساسات
  00:06:27
• مرحله ۴ - پاکسازی داده‌های NLP تبدیل به حروف کوچک در R برای تحلیل متن
  00:02:57
• مرحله ۵ - پاکسازی داده‌های تحلیل احساسات حذف اعداد با TM Map
  00:02:05
• مرحله ۶ - پاکسازی داده‌های متنی حذف علائم نگارشی برای پردازش زبان طبیعی و طبقه‌بندی
  00:05:49
• مرحله ۷ - ساده‌سازی کورپوس با استفاده از پکیج SnowballC برای حذف کلمات ایست در R
  00:03:26
• مرحله ۸ - بهبود ریشه‌یابی طبقه‌بندی متن برای ماتریس‌های ویژگی کارآمد
  00:05:20
• مرحله ۹ حذف فضاهای اضافی برای پاکسازی متن تحلیل احساسات NLP
  00:12:50
• مرحله ۱۰ - ساخت ماتریس سند-واژه برای طبقه‌بندی متن در پردازش زبان طبیعی
  00:17:31

• مقدمه‌ای بر یادگیری عمیق از بافت تاریخی تا کاربردهای مدرن
  00:12:34

• لایه‌های CNN: کانولوشن، ReLU، پولینگ و فلتنینگ توضیح داده شده‌اند
  00:02:51
• مبانی یادگیری عمیق: بررسی نورون‌ها، سیناپس‌ها و توابع فعال‌سازی
  00:16:24
• مبانی شبکه‌های عصبی درک توابع فعال‌سازی در یادگیری عمیق
  00:08:29
• شبکه‌های عصبی چگونه کار می‌کنند: راهنمای گام به گام الگوریتم‌های یادگیری عمیق
  00:12:47
• شبکه‌های عصبی چگونه یاد می‌گیرند: مبانی یادگیری عمیق توضیح داده شده است
  00:12:58
• گرادیان کاهشی تصادفی در مقابل گرادیان کاهشی دسته‌ای مبانی یادگیری عمیق
  00:08:44
• آموزش مبانی یادگیری عمیق شبکه‌های عصبی گام به گام
  00:05:21
• مرحله ۲ - آموزش تنسور فلو ۲.۰ پیش‌پردازش داده‌ها برای مدل ریزش مشتری
  00:18:36
• مرحله ۳ - طراحی مدل ترتیبی ANN و لایه‌های Dense برای یادگیری عمیق
  00:14:28
• مرحله ۴ - آموزش شبکه عصبی کامپایل و فیت برای پیش‌بینی ریزش مشتری
  00:11:58
• مرحله ۲ - نحوه نصب و راه‌اندازی H2O برای یادگیری عمیق کارآمد در R
  00:06:30
• مرحله ۳ ساخت مدل یادگیری عمیق - پیکربندی لایه شبکه عصبی H2O
  00:12:29
• مرحله ۴ - یادگیری عمیق H2O، پیش‌بینی و ارزیابی دقت مدل
  00:14:07

• درک لایه‌های CNN: کانولوشن، ReLU، پولینگ و فلتنینگ توضیح داده شده است
  00:03:31
• مقدمه‌ای بر شبکه‌های عصبی کانولوشنال درک یادگیری عمیق برای بینایی ماشین
  00:15:49
• مرحله ۱ - درک کانولوشن در CNN ها: تشخیص ویژگی و نقشه‌های ویژگی
  00:16:38
• مرحله ۱ب - اعمال ReLU به لایه‌های کانولوشن شکستن خطی بودن تصویر
  00:06:41
• مرحله ۲ - مکس پولینگ در شبکه‌های عصبی کانولوشنال برای افزایش ناوردایی فضایی در تشخیص تصویر
  00:14:13
• مرحله ۳ - درک Flattening در معماری شبکه‌های عصبی کانولوشنال
  00:01:52
• مرحله ۴ - ل
  00:19:24
• مبانی یادگیری عمیق چگونه شبکه‌های عصبی کانولوشنال (CNNs) تصاویر را پردازش می‌کنند
  00:04:19
• یادگیری عمیق: درک سافت‌مکس و کراس-انتروپی در شبکه‌های عصبی کانولوشنی
  00:18:20
• مرحله ۱ مقدمه‌ای بر شبکه‌های عصبی کانولوشنال برای طبقه‌بندی تصویر
  00:11:35
• مرحله ۲ - Keras ImageDataGenerator برای جلوگیری از بیش‌برازش در مدل‌های CNN
  00:17:46
• مرحله ۳ - کانولوشن CNN تنسورفلو به لایه خروجی برای وظایف بینایی
  00:17:56
• مرحله ۴ آموزش CNN - Epoch ها، تابع Loss و متریک‌ها در TensorFlow
  00:07:21
• مرحله ۵ - انجام پیش‌بینی‌های تکی با شبکه‌های عصبی کانولوشنال در پایتون
  00:14:55
• آموزش عملی CNN با استفاده از Jupyter Notebook برای طبقه‌بندی تصویر
  00:23:38

این فصل هیچ جلسه‌ای ندارد.

• شهود الگوریتم PCA کاهش ابعاد در یادگیری بدون نظارت
  00:03:49
• مرحله ۲ - PCA در عمل کاهش ابعاد و پیش‌بینی بخش‌های مشتری
  00:05:30
• مرحله ۱ در R - درک تحلیل مؤلفه‌های اصلی برای استخراج ویژگی
  00:12:08
• مرحله ۲ - استفاده از تابع preProcess در R برای استخراج مولفه‌های اصلی PCA
  00:11:22
• مرحله ۳ - پیاده‌سازی PCA و SVM برای راهنمای عملی بخش‌بندی مشتریان
  00:13:42

• LDA شهود جداسازی حداکثری کلاس در الگوریتم‌های یادگیری ماشین
  00:03:50
• تسلط بر تحلیل تبعیضی خطی پیاده‌سازی گام به گام با پایتون
  00:14:52
• راهنمای گام به گام اعمال LDA برای استخراج ویژگی در یادگیری ماشین
  00:19:59

• پی‌سی‌ای کرنل در پایتون بهبود دقت طبقه‌بندی با استخراج ویژگی
  00:11:03
• راهنمای گام به گام پیاده‌سازی Kernel PCA برای داده‌های غیرخطی
  00:20:30

این فصل هیچ جلسه‌ای ندارد.

• تسلط بر تکنیک‌های ارزیابی مدل اعتبارسنجی متقابل K-Fold توضیح داده شده است
  00:08:57
• چگونه بر مصالحه بایاس-واریانس در مدل‌های یادگیری ماشین مسلط شویم
  00:04:47
• اعتبارسنجی متقابل K-Fold در پایتون برای بهبود عملکرد مدل یادگیری ماشین
  00:13:45
• بهینه‌سازی مدل‌های SVM با GridSearchCV: یک آموزش گام به گام پایتون
  00:21:56
• ارزیابی دقت مدل یادگیری ماشین پیاده‌سازی اعتبارسنجی متقابل K-Fold در R
  00:19:29
• بهینه‌سازی مدل‌های SVM با جستجوی شبکه‌ای: یک آموزش گام به گام R
  00:13:59

• چگونه از XGBoost در پایتون برای پیش‌بینی سرطان با دقت بالا استفاده کنیم
  00:14:48
• آموزش XGBoost پیاده‌سازی گرادیان بوستینگ برای مسائل طبقه‌بندی
  00:18:14

• انواع داده‌ها Apache Parquet، JSON، CSV، Apache ORC، Apache Avro، RecordIO
  00:03:14
• آماده‌سازی داده‌ها برای یادگیری ماشین با S3 - عملی
  00:03:49
• ETL با AWS Glue - نسخه کوتاه
  00:04:44
• آماده‌سازی داده‌ها با AWS Glue DataBrew - بخش ۱
  00:05:00
• کار با داده‌ها با AWS Glue DataBrew - بخش ۲
  00:06:41
• آماده‌سازی داده با SageMaker Data Wrangler - بخش ۱
  00:02:59
• آماده‌سازی داده با SageMaker Data Wrangler - بخش ۲
  00:05:35
• مهندسی ویژگی
  00:06:27
• مهندسی ویژگی با SageMaker عملی
  00:04:57
• پاکسازی بخش
  00:05:54

• Machine Learning Paradigms
  00:05:13
• رگرسیون چیست
  00:02:13
• رگرسیون خطی ساده
  00:02:22
• کمترین مربعات معمولی
  00:03:17
• رگرسیون خطی چندگانه
  00:02:26
• ضریب تعیین
  00:04:35
• R-مربع تعدیل شده
  00:05:30
• طبقه‌بندی چیست
  00:02:30
• رگرسیون لجستیک
  00:04:55
• حداکثر احتمال
  00:03:50
• ماتریس درهم‌ریختگی و دقت
  00:04:52
• درخت‌های تصمیم
  00:03:49
• گرادیان بوستینگ
  00:07:00
• XGBoost برای رگرسیون
  00:10:06
• XGBoost برای طبقه‌بندی
  00:10:18
• لایت‌جی‌بی‌ام
  00:01:27
• تقسیم‌بندی مبتنی بر هیستوگرام
  00:03:01
• بسته‌بندی ویژگی‌های انحصاری
  00:08:51
• نمونه‌برداری یک‌طرفه مبتنی بر گرادیان
  00:05:23
• رشد درختی برگ به برگ
  00:03:08
• کَت‌بوست
  00:01:27
• انکودینگ هدف
  00:11:37
• کدگذاری هدف مرتب‌شده در CatBoost
  00:05:12
• درختان متقارن در CatBoost
  00:05:23
• مدل‌های ترکیبی
  00:05:46
• نرخ یادگیری
  00:03:15
• مصالحه بایاس-واریانس
  00:04:11
• تنظیم ابرپارامترها: مبانی
  00:03:03
• تکنیک‌های تنظیم هایپرپارامتر جستجوی شبکه‌ای و تصادفی و بهینه‌سازی بیزی
  00:04:45
• راه‌اندازی SageMaker برای تمرین رگرسیون و طبقه‌بندی
  00:05:52
• رگرسیون با Amazon SageMaker عملی
  00:09:45
• طبقه‌بندی با Amazon SageMaker Hands-On
  00:09:57
• پاکسازی SageMaker
  00:03:20
• ثبت مدل در رجیستری مدل (عملی)
  00:03:33
• مروری بر سرویس‌های یادگیری ماشین در AWS
  00:05:57
• پردازش زبان طبیعی با Amazon Comprehend: تمرین عملی
  00:04:42
• بینایی کامپیوتر با Amazon Rekognition عملی
  00:02:31
• Text to Speech با Amazon Polly به صورت عملی
  00:02:45
• تبدیل گفتار به متن با Amazon Transcribe عملی
  00:02:45
• استخراج متن با Amazon Textract عملی
  00:03:00
• ترجمه ماشینی با آمازون ترنسلیت - عملی
  00:01:55

• روش‌های استقرار مدل‌ها در محیط عملیاتی
  00:03:18
• استقرار در Amazon SageMaker عملی
  00:05:59
• انواع استنتاج: بدون سرور در مقابل بلادرنگ در مقابل ناهمزمان
  00:03:20
• نقاط پایانی استقرار در Amazon SageMaker Hands-On
  00:05:20
• پاکسازی SageMaker
  00:07:47
• انتخاب هدف استقرار صحیح: SageMaker در مقابل ECS در مقابل EKS در مقابل Lambda
  00:03:18
• زیرساخت به عنوان کد (IaC) CloudFormation
  00:04:12
• زیرساخت به عنوان کد (IaC) کیت توسعه ابری (CDK)
  00:02:09
• داکر کانتینرها و اپلیکیشن‌های کانتینری شده
  00:04:10
• رجیستری کانتینر الاستیک (ECR) و سرویس کانتینر الاستیک (ECS) و Fargate
  00:03:08
• ساخت کانتینر با Amazon ECR - عملی
  00:04:59
• ساخت کانتینر با Amazon ECS Hands-On
  00:04:59
• ساخت کانتینر با Amazon EKS Hands-On
  00:04:59

• AWS CodePipeline در مقابل AWS CodeBuild در مقابل AWS CodeCommit در مقابل AWS CodeDeploy
  00:04:13
• AWS CodePipeline عملی
  00:04:45
• AWS CodeBuild عملی
  00:09:59
• AWS CodeDeploy عملی
  00:06:57
• ساخت پایپ‌لاین ML با Amazon SageMaker Pipelines Hands-On
  00:07:59

• ویژگی‌های هوش مصنوعی مسئولانه
  00:03:50
• ریسک‌های قانونی هوش مصنوعی مولد
  00:03:15
• ابزارهایی برای یادگیری ماشین مسئولانه: SageMaker Clarify و SageMaker Model Monitor
  00:02:54
• کیفیت داده مدل و انحراف سوگیری با SageMaker Clarify Hands-On
  00:02:10
• نظارت بر مدل‌ها در محیط عملیاتی با SageMaker Model Monitor
  00:04:59
• کارت‌های مدل SageMaker
  00:02:47
• کار عملی با کارت‌های مدل سیج‌میکر
  00:05:51
• عیب‌یابی مشکلات تأخیر و عملکرد با X-Ray و CloudWatch Hands-On
  00:04:59
• ساخت تریل CloudTrail - عملی
  00:04:00
• راه‌اندازی داشبوردها برای نظارت بر معیارهای عملکرد با QuickSight Hands-On
  00:04:59
• راه‌اندازی داشبوردها برای نظارت بر معیارهای عملکرد با CloudWatch Hands-On
  00:03:03
• نظارت بر زیرساخت با رویدادهای EventBridge - عملی
  00:06:30
• راهنمای عملی SageMaker Inference Recommender
  00:06:59
• نظارت بر هزینه‌ها با Cost Explorer، Trusted Advisor و AWS Budgets - عملی
  00:05:45
• کاهش هزینه با گزینه‌های خرید: اسپات، آن‌دمند، سیوینگز پلن - عملی
  00:05:25

این فصل هیچ جلسه‌ای ندارد.