یادگیری ماشین از صفر تا صد با Python و R
به هوش مصنوعی و یادگیری ماشین علاقه داری، ولی هر بار که شروع میکنی، فرمولهای پیچیدهی ریاضی و اصطلاحات ترسناک پسِت میزنن؟ حس میکنی برای ورود به این حوزه باید نابغهی ریاضی باشی؟
خبر خوب اینه که اینطور نیست. یادگیری ماشین وقتی درست و شهودی توضیح داده بشه، نهتنها ترسناک نیست، بلکه واقعاً جذابه. راز کار اینه که اول شهود پشت هر الگوریتم رو بفهمی، بعد سراغ کد بری — نه برعکس. اونوقت متوجه میشی که حتی پیچیدهترین مفاهیم هم منطق سادهای پشتشون دارن.
این دوره یکی از پرمخاطبترین دورههای یادگیری ماشین دنیاست که به بیش از یک میلیون دانشجو اعتماد کرده. مدرسها (Kirill Eremenko و Hadelin de Ponteves) با تمرکز روی توضیحهای شهودی، تو رو قدمبهقدم از مبانی تا موضوعات پیشرفته میبرن — با کد آماده، مثالهای واقعی و هر دو زبان Python و R. نیازی به تجربهی برنامهنویسی قبلی نداری.
این دوره دقیقاً برای کیه؟
این دوره برای تو ساخته شده اگه:
- به یادگیری ماشین علاقه داری ولی نمیدونی از کجا و چطور شروع کنی.
- میخوای دیتاساینتیست یا مهندس ML بشی و دنبال یه مسیر جامع و کامل هستی.
- برنامهنویس یا دانشجویی که میخوای مهارت پرتقاضای یادگیری ماشین رو به رزومهات اضافه کنی.
- از فرمولهای خشک ریاضی فراری هستی و دنبال توضیحهای شهودی و قابلفهم میگردی.
- میخوای هم Python و هم R رو، دو زبان اصلی دیتاساینس، یاد بگیری.
- تحلیلگر دادهای هستی که میخوای مهارتهات رو به سطح مدلسازی و پیشبینی ببری.
چی یاد میگیری؟
این دوره یه سفر کامل از پایه تا موضوعات پیشرفتهی یادگیری ماشینه. اول با پیشپردازش داده شروع میکنی — اینکه چطور دادهی خام و بههمریخته رو تمیز و آماده کنی، چون هر مدل خوبی از دادهی خوب شروع میشه. بعد وارد رگرسیون میشی و یاد میگیری چطور مقادیر پیوسته رو پیشبینی کنی و کارایی مدلها رو بسنجی.
سپس به سراغ طبقهبندی (Classification) میری و الگوریتمهای متنوعی رو یاد میگیری که دادهها رو به دستههای مختلف تقسیم میکنن. بعد خوشهبندی (Clustering) رو کار میکنی — اینکه چطور بدون برچسب قبلی، الگوها و گروههای پنهان توی داده رو پیدا کنی. یادگیری قواعد انجمنی (با Apriori و Eclat) و یادگیری تقویتی (با UCB و Thompson Sampling) هم بخشهای هیجانانگیز بعدی هستن.
و این تازه شروعشه. پردازش زبان طبیعی (NLP)، یادگیری عمیق و شبکههای عصبی، کاهش ابعاد، و تکنیکهای پیشرفتهای مثل XGBoost برای بالابردن دقت مدلها هم پوشش داده میشن. کل مسیر با شهود، کد آماده در Python و R، و مثالهای واقعی همراهه؛ بهجای اینکه فقط تئوری بخونی، هر الگوریتم رو واقعاً پیاده میکنی.
مزیتهای کلیدی
تمرکز روی شهود، نه فرمول خشک
نقطهی قوت اصلی این دوره همینه: هر الگوریتم اول بهصورت شهودی و ساده توضیح داده میشه تا واقعاً بفهمی چطور کار میکنه، بعد سراغ کد میری. دیگه از پیچیدگی ریاضی نمیترسی.
هم Python، هم R
دو زبان اصلی دنیای دیتاساینس رو با هم یاد میگیری. این یعنی دستت برای هر پروژه و هر موقعیت شغلی بازتره و انعطاف بیشتری داری.
پوشش فوقالعاده جامع
از پیشپردازش داده تا رگرسیون، طبقهبندی، خوشهبندی، یادگیری تقویتی، NLP و یادگیری عمیق. یه نقشهراه کامل که کمتر دورهای اینقدر یکجا پوششش میده.
کد آماده و عملی
با هر درس، قالبهای کد آماده دریافت میکنی که میتونی مستقیم توی پروژههای خودت استفاده کنی. یادگیری از طریق ساختن و پیادهسازی واقعی.
بدون نیاز به تجربهی قبلی
نیازی به دانش برنامهنویسی قبلی نداری. دوره تو رو از صفر با Python و R راه میندازه و قدمبهقدم جلو میبره.
مهارتی که بازار کار میخواد
یادگیری ماشین یکی از پرتقاضاترین و ارزشمندترین مهارتهای امروز دنیای فناوریه. تسلط روش میتونه مسیر شغلیات رو بهکل عوض کنه.
خروجی نهایی / دستاوردها
بعد از این دوره میتونی:
- دادهی خام رو پیشپردازش و برای مدلسازی آماده کنی.
- مدلهای رگرسیون بسازی و برای پیشبینی مقادیر پیوسته استفاده کنی.
- الگوریتمهای طبقهبندی رو پیاده کنی و کاراییشون رو بسنجی.
- با خوشهبندی، الگوها و گروههای پنهان توی داده رو کشف کنی.
- یادگیری تقویتی و قواعد انجمنی رو پیادهسازی کنی.
- مدلهای پردازش زبان طبیعی (NLP) و یادگیری عمیق بسازی.
- الگوریتمهای یادگیری ماشین رو هم در Python و هم در R پیاده کنی.
جمعبندی و CTA
یادگیری ماشین دیگه یه حوزهی دور از دسترس نیست — فقط به یه مسیر درست و توضیحهای شهودی نیاز داری. این دوره همون مسیره، از صفر تا مدلهای واقعی. همین حالا شروع کن و وارد یکی از هیجانانگیزترین حوزههای فناوری شو.
[ همین حالا در دوره ثبتنام کن و سفرت در یادگیری ماشین رو شروع کن ]
سرفصل های دوره
با پایتون و Scikit-learn در ۵ دقیقه پیشبینی خرید خودرو با یادگیری ماشین را هیجانانگیز کنید
چگونه از Google Colab و پوشه دوره یادگیری ماشین استفاده کنیم
گردش کار یادگیری ماشین: وارد کردن، مدلسازی و ارزیابی مدل یادگیری ماشین شما
اهمیت تقسیم داده به مجموعه آموزش و آزمون در ارزیابی مدلهای یادگیری ماشین
مقیاسبندی ویژگی در یادگیری ماشین: نرمالسازی در مقابل استانداردسازی توضیح داده شده است
مرحله ۱ - پیشپردازش داده در پایتون آمادهسازی مجموعه داده شما برای مدلهای ML
مرحله ۲ - تکنیکهای پیشپردازش داده از داده خام تا مجموعه دادههای آماده برای یادگیری ماشین
ابزار یادگیری ماشین وارد کردن کتابخانههای NumPy، Matplotlib و Pandas
مرحله ۱ - مبانی یادگیری ماشین وارد کردن مجموعه دادهها با استفاده از Pandas read_csv()
مرحله ۲ - استفاده از iloc پانداس برای انتخاب ویژگی در پیشپردازش دادههای یادگیری ماشین
مرحله ۳ - پیشپردازش دادهها ساخت بردارهای X و Y برای آموزش مدل یادگیری ماشین
مرحله ۱ - استفاده از Scikit-Learn برای جایگزینی مقادیر گمشده در یادگیری ماشین
مرحله ۲ - جایگزینی دادههای گمشده در پایتون با SimpleImputer و ستونهای عددی
مرحله ۱ - تبدیل ویژگیهای دستهای به فرمت وان-هات انکودینگ برای الگوریتمهای یادگیری ماشین
مرحله ۲ - پردازش دادههای دستهای با رمزگذاری یک-داغ (One-Hot Encoding) با ColumnTransformer
مرحله ۳ - پیشپردازش دادههای دستهبندی شده تکنیکهای One-Hot و Label Encoding
مرحله ۱ - نحوه آمادهسازی دادهها برای مجموعه آموزش و آزمون یادگیری ماشین
مرحله ۲ - آمادهسازی دادهها ایجاد مجموعه آموزش و تست در پایتون برای مدلهای ML
مرحله ۳ - تقسیم دادهها به مجموعههای آموزش و آزمون بهترین شیوهها در پایتون
مرحله ۱ - مقیاسبندی ویژگی در یادگیری ماشین چرا برای پیشپردازش دادهها حیاتی است
مرحله ۲ - نحوه مقیاسبندی ویژگیهای عددی در پایتون برای پیشپردازش یادگیری ماشین
مرحله ۳ - توضیح متدهای Fit و Transform برای پیادهسازی Feature Scaling
مرحله ۴ - اعمال مقیاسدهنده یکسان به مجموعههای آموزش و آزمون در پایتون
شروع کار با زبان برنامهنویسی R نصب R و RStudio در ویندوز و مک
پیشپردازش داده برای مبتدیان آمادهسازی مجموعه داده شما برای یادگیری ماشین
آموزش پیشپردازش داده درک متغیرهای مستقل در مقابل وابسته
آموزش R وارد کردن و مشاهده مجموعه دادهها برای پیشپردازش داده
چگونگی مدیریت مقادیر گمشده در پیشپردازش داده در R برای یادگیری ماشین
استفاده از تابع Factor در R برای مدیریت متغیرهای دستهای در تحلیل داده
مرحله ۱ - نحوه آمادهسازی دادهها برای مجموعههای آموزش و آزمون یادگیری ماشین
مرحله ۲ - آمادهسازی دادهها ایجاد مجموعههای آموزش و آزمون در R برای مدلهای ML
مقیاسبندی ویژگی در یادگیری ماشین - گام اول: چرا برای پیشپردازش دادهها حیاتی است
نحوه مقیاسبندی ویژگیهای عددی در R برای پیشپردازش یادگیری ماشین - مرحله ۲
مراحل ضروری پیشپردازش داده آمادهسازی مجموعه داده شما برای مدلهای یادگیری ماشین
رگرسیون خطی ساده درک معادله و پیشبینی عملکرد سیبزمینی
چگونه بهترین خط برازش را پیدا کنیم: درک رگرسیون حداقل مربعات معمولی
مرحله ۱الف - تسلط بر مفاهیم کلیدی و پیادهسازی رگرسیون خطی ساده
مرحله ۱ب پیشپردازش داده برای رگرسیون خطی وارد کردن و تقسیم داده در پایتون
مرحله ۲الف - ساخت یک مدل رگرسیون خطی ساده با Scikit-learn در پایتون
مرحله ۲ب - مبانی یادگیری ماشین آموزش مدل رگرسیون خطی در پایتون
مرحله ۳ - استفاده از متد Predict در Scikit-Learn برای رگرسیون خطی در پایتون
مرحله ۴الف - ترسیم رگرسیون خطی حقوق واقعی در مقابل حقوق پیشبینی شده
مرحله ۴ب - ارزیابی عملکرد مدل رگرسیون خطی روی دادههای آزمون
مرحله ۱ - پیشپردازش دادهها در R آمادهسازی برای مدلسازی رگرسیون خطی
مرحله ۲ - برازش رگرسیون خطی ساده در R با تابع LM و خلاصه مدل
مرحله ۳ - نحوه استفاده از تابع predict() در R برای تحلیل رگرسیون خطی
مرحله ۴الف - ترسیم دادههای رگرسیون خطی در R ggplot2 راهنمای گام به گام
مرحله ۴ب - ایجاد نمودار پراکندگی با خط رگرسیون در R با استفاده از ggplot2
مرحله ۴c - مقایسه پیشبینیهای مجموعه آموزش و مجموعه آزمون در رگرسیون خطی
مدل رگرسیون پیشبینی موفقیت استارتاپ برای تصمیمگیری صندوقهای سرمایهگذاری خطرپذیر
متغیرهای مستقل رگرسیون خطی چندگانه و مدلهای پیشبینی
درک مفروضات رگرسیون خطی: خطی بودن، همگنی و موارد دیگر
چگونگی مدیریت متغیرهای دستهای در مدلهای رگرسیون خطی
همخطی چندگانه در رگرسیون درک تله متغیرهای مجازی
درک مقادیر P و اهمیت آماری در آزمون فرض
حذف گام به گام برای ساخت مدلهای رگرسیون خطی چندگانه قوی
مرحله ۱الف - پیشپردازش داده عملی برای رگرسیون خطی چندگانه در پایتون
مرحله ۱ب - راهنمای عملی پیادهسازی رگرسیون خطی چندگانه در پایتون
مرحله ۲الف - رگرسیون خطی چندگانه عملی آمادهسازی دادهها در پایتون
مرحله ۲ب - رگرسیون خطی چندگانه در پایتون آمادهسازی مجموعه داده شما
مرحله ۳الف - Scikit-learn برای ساخت مدل کارآمد رگرسیون خطی چندگانه
مرحله ۳ب - ساخت و آموزش مدلهای رگرسیون خطی چندگانه با Scikit-Learn
مرحله ۴الف مقایسه سود واقعی در مقابل سود پیشبینی شده در رگرسیون خطی - عملی با رابط گرافیکی
مرحله ۴ب - یادگیری ماشین در پایتون ارزیابی دقت رگرسیون خطی چندگانه
مرحله ۱الف - پیشپردازش داده برای مدیریت دادههای دستهای در MLR
مرحله ۱ب - آمادهسازی مجموعه دادهها برای رگرسیون خطی چندگانه در R
مرحله ۲الف - رگرسیون خطی چندگانه در R ساخت و تفسیر رگرسور
مرحله ۲ب - اهمیت آماری - مقادیر P و ستارهها در رگرسیون
مرحله ۳ - نحوه استفاده از تابع predict() در R برای رگرسیون خطی چندگانه
بهینهسازی مدلهای رگرسیون چندگانه با تکنیک حذف گام به گام در R
تسلط بر انتخاب ویژگی: حذف گام به گام در R برای رگرسیون خطی
درک کاربردها و مثالهای رگرسیون خطی چندجملهای
مرحله ۱الف - ساخت مدل رگرسیون چندجملهای برای پیشبینی حقوق در پایتون
مرحله ۱ب - آمادهسازی دادهها برای مقایسه رگرسیون خطی در مقابل چندجملهای
مرحله ۲الف رگرسیون خطی به چندجملهای - آمادهسازی دادهها برای مدلهای پیشرفته
مرحله ۲ب - تبدیل رگرسیون خطی به چندجملهای: راهنمای گام به گام
مرحله ۳الف - ترسیم حقوق واقعی در مقابل حقوق پیشبینی شده - تجسم رگرسیون خطی
مرحله ۳ب - رگرسیون چندجملهای در مقابل خطی برازش بهتر با درجات بالاتر
مرحله ۴الف پیشبینی حقوق - رگرسیون خطی در پایتون (راهنمای ورودی آرایه)
گام ۴ب رگرسیون چندجملهای پایتون - پیشبینی دقیق حقوق
مرحله ۱الف - پیادهسازی رگرسیون چندجملهای در R - مطالعه موردی تحلیل حقوق و دستمزد HR
مرحله ۱ب - مبانی یادگیری ماشین آمادهسازی دادهها برای رگرسیون چندجملهای
مرحله ۲الف - ساخت مدلهای رگرسیون خطی و چندجملهای در R: یک مقایسه
مرحله ۲ب - ساخت مدل رگرسیون چندجملهای با افزودن جملات درجه دوم و سوم
مرحله ۳الف: مصورسازی نتایج رگرسیون - ایجاد نمودارهای پراکندگی با ggplot2 در
مرحله ۳ب تجسم رگرسیون خطی - ترسیم پیشبینیها در مقابل مشاهدات
مرحله ۳c - برازش منحنی رگرسیون چندجملهای برای پیشبینیهای بهتر
مرحله ۴الف - چگونه با استفاده از رگرسیون چندجملهای در R پیشبینیهای تکی انجام دهیم
مرحله ۴ب - پیشبینی حقوق با رگرسیون چندجملهای: یک مثال عملی
مرحله ۱ - ساخت یک چارچوب قابل استفاده مجدد برای تحلیل رگرسیون غیرخطی در R
مرحله ۲ - تسلط بر بصریسازی مدل رگرسیون افزایش وضوح دادهها
تفاوت رگرسیون بردار پشتیبان (SVR) با رگرسیون خطی چیست
SVR با هسته RBF: از رگرسیون بردار پشتیبان خطی تا غیرخطی
مرحله ۱ الف - مقیاسبندی ویژگی مدل SVR و آمادهسازی مجموعه داده در پایتون
مرحله ۱ب - SVR در پایتون وارد کردن کتابخانهها و مجموعه داده برای یادگیری ماشین
مرحله ۲الف - تسلط بر مقیاسبندی ویژگی برای رگرسیون بردار پشتیبان در پایتون
مرحله ۲ب تغییر شکل دادهها برای SVR - آمادهسازی بردار Y برای مقیاسبندی ویژگی (پایتون)
مرحله ۲c آمادهسازی دادههای SVR - مقیاسبندی مستقل X و Y با StandardScaler
مرحله ۳ رگرسیون SVM ایجاد و آموزش مدل SVR با هسته RBF در پایتون
مرحله ۴ - مدیریت پیشبینی مدل SVR با دادههای مقیاسشده و تبدیل معکوس
مرحله ۵الف - راهنمای گام به گام نحوه ترسیم مدلهای رگرسیون بردار پشتیبان (SVR)
مرحله ۵ب - مقیاسبندی SVR و تبدیل معکوس در پایتون
مرحله ۱ - آموزش SVR ساخت یک رگرسیون ماشین بردار پشتیبان در R
مرحله ۱ - آموزش SVR ساخت یک رگرسیون ماشین بردار پشتیبان در R
مرحله ۲ - رگرسیون بردار پشتیبان ساخت یک مدل پیشبینیکننده در پایتون
چگونه یک درخت رگرسیون بسازیم: راهنمای گام به گام برای یادگیری ماشین
مرحله ۱الف - رگرسیون درخت تصمیم ساخت مدل بدون مقیاسبندی ویژگی
مرحله ۱ب آپلود و پیشپردازش دادهها برای رگرسیون درخت تصمیم در پایتون
گام ۲ - پیادهسازی DecisionTreeRegressor راهنمای گام به گام در پایتون
مرحله ۳ - پیادهسازی رگرسیون درخت تصمیم در پایتون پیشبینی کردن
مرحله ۴ - نمایش نتایج با وضوح بالا در رگرسیون درخت تصمیم
مرحله ۱ - ساخت یک رگرسیون درخت تصمیم با استفاده از تابع rpart در R
مرحله ۲ - رگرسیون درخت تصمیم رفع تقسیمها با پارامتر کنترل rpart
مرحله ۳ رگرسیون غیرپیوسته - چالشهای بصریسازی درخت تصمیم
مرحله ۴ - تجسم درخت تصمیم: درک فواصل و پیشبینیها
درک شهودی الگوریتم جنگل تصادفی و کاربرد آن در یادگیری ماشین
مرحله ۱ - ساخت مدل جنگل تصادفی رگرسیون با پایتون و Scikit-Learn
مرحله ۲ - ایجاد پارامترهای کلیدی رگرسیون جنگل تصادفی و برازش مدل
مرحله ۱ - ساخت مدل جنگل تصادفی در آموزش رگرسیون R
مرحله ۲ - مصورسازی جنگل تصادفی رگرسیون تفسیر پلهها و تقسیمها
مرحله ۳ - تنظیم دقیق جنگل تصادفی از ۱۰ تا ۵۰۰ درخت برای پیشبینی دقیق
درک R-squared ارزیابی میزان برازش در مدلهای رگرسیون
درک تفاوتهای کلیدی R-Squared تعدیلشده با R-Squared توضیح داده شده
مرحله ۱ - تسلط بر ابزار رگرسیون مقایسه مدلها برای عملکرد بهینه
مرحله ۲ - ایجاد قالبهای کد عمومی برای مدلهای مختلف رگرسیون در پایتون
مرحله ۳ ارزیابی مدلهای رگرسیون - ضریب تعیین (R-Squared) و معیارهای عملکرد توضیح داده شده
مرحله ۴ - پیادهسازی امتیاز R-Squared در پایتون با استفاده از متریسکهای Scikit-Learn
مرحله ۱ - انتخاب بهترین مدل رگرسیون ارزیابی R-squared در پایتون
مرحله ۲ - انتخاب بهترین مدل رگرسیون جنگل تصادفی در مقابل عملکرد SVR
بهینهسازی مدلهای رگرسیون R-Squared در مقابل Adjusted R-Squared توضیح داده شده است
تحلیل رگرسیون خطی تفسیر ضرایب برای تصمیمات تجاری
طبقهبندی در مبانی و کاربردهای یادگیری ماشین چیست
درک رگرسیون لجستیک پیشبینی نتایج دستهای
رگرسیون لجستیک یافتن بهترین منحنی برازش با استفاده از حداکثر درستنمایی
مرحله ۱الف - ساخت مدل رگرسیون لجستیک برای پیشبینی رفتار مشتری
مرحله ۱ب - پیادهسازی رگرسیون لجستیک در پایتون راهنمای پیشپردازش دادهها
مرحله ۲الف آمادهسازی داده پایتون برای رگرسیون لجستیک آمادهسازی مجموعه داده
مرحله ۲ب - پیشپردازش دادهها تکنیکهای مقیاسبندی ویژگی برای رگرسیون لجستیک
مرحله ۳الف - چگونگی وارد کردن و استفاده از کلاس LogisticRegression از Scikit-learn
مرحله ۳ب - روش برازش مدل رگرسیون لجستیک برای طبقهبندی
مرحله ۴الف - قالببندی ورودی مشاهده تکی برای پیشبینی رگرسیون لجستیک
گام ۴ب: تصمیمات خرید پیشبینیشده در مقابل واقعی در رگرسیون لجستیک
مرحله ۵ - مقایسه نتایج پیشبینیشده در مقابل نتایج واقعی راهنمای رگرسیون لجستیک پایتون
مرحله ۶الف - پیادهسازی ماتریس درهمریختگی و امتیاز دقت در Scikit-Learn
مرحله ۶ب ارزیابی مدلهای طبقهبندی - ماتریس درهمریختگی و معیارهای دقت
مرحله ۷الف - مصورسازی مرزهای تصمیم رگرسیون لجستیک در نمودار دوبعدی پایتون
مرحله ۷ب - تفسیر نتایج رگرسیون لجستیک مناطق پیشبینی توضیح داده شده
مرحله ۷c - نمایش عملکرد رگرسیون لجستیک بر روی دادههای جدید در پایتون
مرحله ۱ - پیشپردازش دادهها برای رگرسیون لجستیک در R آمادهسازی مجموعه داده شما
مرحله ۲ - چگونه یک طبقهبند رگرسیون لجستیک با استفاده از تابع GLM در R بسازیم
مرحله ۳ - راهنمای گام به گام نحوه استفاده از R برای پیشبینی رگرسیون لجستیک
مرحله ۴ - نحوه ارزیابی دقت مدل با استفاده از ماتریس درهمریختگی در R
مرحله ۵الف - تفسیر نمودارهای رگرسیون لجستیک مناطق پیشبینی توضیح داده شده
مرحله ۵ب رگرسیون لجستیک - طبقهبندهای خطی و مرزهای پیشبینی
مرحله ۵c - نمایش دادهها در R رنگی کردن پیکسلها برای رگرسیون لجستیک
بهینهسازی اسکریپتهای R برای یادگیری ماشین ساخت یک قالب طبقهبندی
توضیح K-نزدیکترین همسایه (KNN) راهنمای مبتدی برای طبقهبندی
مرحله ۱ - آموزش پایتون KNN طبقهبندی دادههای مشتری برای بازاریابی هدفمند
مرحله ۲ - ساخت مدل K-نزدیکترین همسایه Scikit-Learn KNeighborsClassifier
مرحله ۳ - مصورسازی مرزهای تصمیم KNN آموزش پایتون برای مبتدیان
مرحله ۱ - پیادهسازی طبقهبندی KNN در R راهاندازی و آمادهسازی دادهها
مرحله ۲ - ساخت طبقهبند KNN آمادهسازی مجموعه آموزش و تست در R
مرحله ۳ - پیادهسازی طبقهبندی KNN در R تطبیق قالب طبقهبند
ماشینهای بردار پشتیبان توضیح داده شدهاند: ابرصفحهها و بردارهای پشتیبان در یادگیری ماشین
مرحله ۱ - ساخت مدل ماشین بردار پشتیبان با Scikit-learn در پایتون
مرحله ۲ - ساخت مدل ماشین بردار پشتیبان با SVC اسکیکیت لرن در پایتون
مرحله ۳ - درک محدودیتهای SVM خطی چرا نتوانست بر طبقهبند kNN غلبه کند
مرحله ۱ - ساخت یک طبقهبند SVM خطی در R وارد کردن داده و تنظیمات اولیه
مرحله ۲ ساخت و ارزیابی طبقهبند SVM خطی در R - پیشبینیها و نتایج
از SVM خطی به غیرخطی: کاوش فضاهای با ابعاد بالاتر
ماشینهای بردار پشتیبان: تبدیل دادههای غیرخطی برای جداسازی خطی
ترفند کرنل SVM یادگیری ماشین برای طبقهبندی غیرخطی
آشنایی با انواع توابع کرنل برای یادگیری ماشین
تسلط بر رگرسیون بردار پشتیبان (SVR) غیرخطی با هسته RBF توضیح داده شده است
مرحله ۱ - اعمال کرنل SVM پایتون با RBF برای حل طبقهبندی غیرخطی
مرحله ۲ - تسلط بر SVM هسته بهبود دقت با طبقهبندیکنندههای غیرخطی
مرحله ۱ - کرنل SVM در مقابل SVM خطی غلبه بر جداییناپذیری غیرخطی در R
مرحله ۲ - ساخت طبقهبند SVM با هسته گوسی برای یادگیری ماشین پیشرفته
مرحله ۳ تجسم کرنل SVM - طبقهبندی غیرخطی در یادگیری ماشین
درک شهودی قضیه بیز از احتمال تا یادگیری ماشین
درک الگوریتم بیز ساده طبقهبندی احتمالی توضیح داده شده است
قضیه بیز در یادگیری ماشین محاسبه احتمال گام به گام
چرا بیز ساده «Naive» نامیده میشود؟ درک مفروضات الگوریتم
مرحله ۱ - نایو بیز در پایتون، کاربرد یادگیری ماشین در بهینهسازی تبلیغات شبکههای اجتماعی
مرحله ۲ - آموزش و ارزیابی طبقهبندیکننده Naive Bayes پایتون بر روی دادههای واقعی
مرحله ۳ - تحلیل دقت و پیشبینیهای الگوریتم نایو بیز
مرحله ۱ - شروع کار با الگوریتم Naive Bayes در R برای طبقهبندی
مرحله ۲ - عیبیابی بردارهای پیشبینی خالی طبقهبندی بیز ساده
مرحله ۳ - مصورسازی نتایج نایو بیز ایجاد ماتریس درهمریختگی و نمودارها
الگوریتمهای درخت تصمیم چگونه کار میکنند: راهنمای گام به گام با مثال
مرحله ۱ - پیادهسازی طبقهبندی درخت تصمیم با Scikit-learn در پایتون
مرحله ۲ - آموزش طبقهبند درخت تصمیم بهینهسازی عملکرد در پایتون
مرحله ۱ - آموزش R ایجاد یک طبقهبند درخت تصمیم با کتابخانه rpart
مرحله ۲ - بهینهسازی مرزهای پیشبینی با طبقهبند درخت تصمیم در R
مرحله ۳ - تجسم درخت تصمیم کاوش در تقسیمها و شرایط در R
درک درختان تصمیم جنگل تصادفی و توضیح رأی اکثریت
مرحله ۱ - پیادهسازی طبقهبندی جنگل تصادفی در پایتون با Scikit-Learn
مرحله ۲ ارزیابی جنگل تصادفی - ماتریس درهمریختگی و معیارهای دقت
مرحله ۱ طبقهبندیکننده جنگل تصادفی - از الگو تا پیادهسازی در R
مرحله ۲ طبقهبندی جنگل تصادفی - مصورسازی پیشبینیها و نتایج
مرحله ۳ - ارزیابی نتایج مجموعه آزمون عملکرد جنگل تصادفی و بیشبرازش
تسلط بر ماتریس درهمریختگی: مثبتهای واقعی، منفیهای واقعی و خطاها
مرحله ۱ - چگونه الگوریتم طبقهبندی مناسب را برای مجموعه داده خود انتخاب کنید
مرحله ۲ - بهینهسازی انتخاب مدل کد طبقهبندی سادهشده در پایتون
مرحله ۳ - ارزیابی معیارهای دقت الگوریتمهای طبقهبندی در پایتون
مرحله ۴ - فرآیند انتخاب مدل ارزیابی الگوریتمهای طبقهبندی
رگرسیون لجستیک: تفسیر پیشبینیها و خطاها در علم داده
مدل یادگیری ماشین، ارزیابی، پارادوکس دقت و معیارهای بهتر
درک منحنیهای CAP ارزیابی عملکرد مدل در علم داده ۲۰۲۴
تسلط بر تحلیل CAP ارزیابی مدلهای طبقهبندی با نسبت دقت
خوشهبندی در یادگیری ماشین: مقدمهای بر یادگیری بدون نظارت
آموزش خوشهبندی K-Means بصریسازی الگوریتم یادگیری ماشین
راهنمای گام به گام استفاده از روش Elbow در خوشهبندی K-Means
الگوریتم K-Means++ حل مشکل مقداردهی اولیه تصادفی در خوشهبندی
مرحله ۱الف - آموزش K-Means پایتون شناسایی الگوهای مشتری در دادههای مال
مرحله ۱b خوشهبندی K-Means - آمادهسازی داده در Google ColabJupyter
مرحله ۲الف - خوشهبندی K-Means در پایتون انتخاب ویژگیهای مرتبط برای تحلیل
مرحله ۲ب خوشهبندی K-Means - بهینهسازی ویژگیها برای بصریسازی دوبعدی
مرحله ۳الف - پیادهسازی روش Elbow برای خوشهبندی K-Means در پایتون
مرحله ۳ب - بهینهسازی WCSS خوشهبندی K-means و پیادهسازی روش Elbow
مرحله ۳c - ترسیم نمودار روش زانو برای خوشهبندی K-Means در پایتون
مرحله ۴ - ایجاد یک متغیر وابسته از نتایج خوشهبندی K-Means در پایتون
مرحله ۵الف تجسم خوشههای K-Means دادههای مشتری با Scatter پایتون
مرحله ۵ب - مصورسازی خوشههای K-Means ترسیم بخشبندی مشتریان در پایتون
مرحله ۵c - تحلیل بینشهای بخشبندی مشتریان با خوشهبندی K-means
مرحله ۱ - خوشهبندی K-Means در R وارد کردن و بررسی دادههای بخشبندی
مرحله ۲ - پیادهسازی الگوریتم K-Means در R برازش و تحلیل دادههای مال
راهنمای گام به گام خوشهبندی سلسله مراتبی برای یادگیری ماشین
نمایش دندروگرامهای عدم تشابه خوشهها در خوشهبندی سلسلهمراتبی
تسلط بر تحلیل دندروگرام خوشهبندی سلسلهمراتبی و تعیین آستانه
مرحله ۱ - شروع با راهاندازی دادههای خوشهبندی سلسله مراتبی در پایتون
مرحله ۲الف - پیادهسازی خوشهبندی سلسلهمراتبی ساخت دندروگرام با SciPy
مرحله ۲ب - نمایش مبانی دندروگرام خوشهبندی سلسلهمراتبی در پایتون
مرحله ۲c - تفسیر دندروگرامها خوشههای بهینه در خوشهبندی سلسله مراتبی
مرحله ۳الف - ساخت مدل خوشهبندی سلسلهمراتبی با Scikit-learn در پایتون
مرحله ۳ب - مقایسه ۳ در مقابل ۵ خوشه در مثال پایتون خوشهبندی سلسلهمراتبی
مرحله ۱ - وارد کردن دادههای R برای تحلیل خوشهبندی درآمد سالانه و امتیاز هزینه
مرحله ۲ استفاده از H.clust در R - ساخت و تفسیر دندروگرامها برای خوشهبندی
مرحله ۳ - پیادهسازی خوشهبندی سلسله مراتبی با استفاده از روش Cat Tree در R
مرحله ۴ - روش نمودار خوشهای نمایش نتایج خوشهبندی سلسله مراتبی در R
مرحله ۵ - خوشهبندی سلسلهمراتبی در R درک الگوهای هزینه مشتری
الگوریتم آپریوری کشف الگوهای پنهان در قوانین انجمنی دادهکاوی
مرحله ۱ - یادگیری قوانین وابستگی فروش را با دادهکاوی پایتون افزایش دهید
مرحله ۲ - ایجاد لیستی از تراکنشها برای تحلیل سبد خرید در پایتون
مرحله ۳ - تنظیم پارامترهای Support، Confidence و Lift در تابع Apriori در پایتون
مرحله ۴ نمایش نتایج الگوریتم Apriori برای معاملات محصول در پایتون
مرحله ۱ - ایجاد یک ماتریس پراکنده برای استخراج قوانین وابستگی در R
مرحله ۲ - بهینهسازی مدل Apriori انتخاب حداقل پشتیبانی و اطمینان
مرحله ۳ بهینهسازی جایگذاری محصول - الگوریتم Apriori، لیفت و اطمینان
تسلط بر رویکرد مبتنی بر پشتیبانی ECLAT برای بهینهسازی سبد خرید
آموزش پایتون: تطبیق آپریوری با اکلات برای استخراج کارآمد مجموعه اقلام پرتکرار
Eclat در مقابل Apriori: یادگیری قوانین وابستگی سادهشده در دادهکاوی
اکتشاف در مقابل بهرهبرداری در یادگیری تقویتی با الگوریتم سارق چند دست
الگوریتم کران بالای اطمینان برای حل مسائل سارق مسلح چندگانه در یادگیری ماشین
مرحله ۱ - حل مسئله سارق مسلح چند دست با استفاده از کران بالای اطمینان در پایتون
مرحله ۲ پیادهسازی الگوریتم UCB در پایتون - آمادهسازی دادهها
مرحله ۳ - کد پایتون برای کران بالای اطمینان تنظیم متغیرهای کلیدی
مرحله ۴ - پایتون برای یادگیری تقویتی کدنویسی الگوریتم UCB مرحله به مرحله
مرحله ۵ - کدنویسی بهینهسازی انتخاب تبلیغات با استفاده از حد بالای اطمینان در پایتون
مرحله ۶ - یادگیری تقویتی نهایی کردن الگوریتم UCB در پایتون
مرحله ۷ - مصورسازی نتایج الگوریتم UCB تحلیل هیستوگرام در پایتون
مرحله ۱ - بررسی کران بالای اطمینان در مسائل سارق مسلح چند دستهای R
مرحله ۲ - الگوریتم UCB در R محاسبه پاداش میانگین و بازه اطمینان
مرحله ۳ بهینهسازی انتخاب آگهی - الگوریتم UCB و چند-بازویی شرح داده شده
مرحله ۴ - تحلیل عملکرد الگوریتم UCB در انتخاب تبلیغات با هیستوگرامها
درک شهود و پیادهسازی الگوریتم تامپسون سمپلینگ
UCB قطعی در مقابل احتمالی و نمونهبرداری تامپسون در یادگیری ماشین
مرحله ۱ - پیادهسازی تامپسون سمپلینگ پایتون برای مسائل بندیت
مرحله ۲ - بهینهسازی انتخاب آگهی با الگوریتم تامپسون سمپلینگ در پایتون
مرحله ۳ - کد پایتون برای نمونهگیری تامپسون با حداکثر کردن توزیعهای بتا تصادفی
مرحله ۴ - غلبه بر UCB با نمونهگیری تامپسون آموزش مانیتوری چند دستهای پایتون
مرحله ۱ - نمونهبرداری تامپسون در مقابل UCB بهینهسازی نرخ کلیک تبلیغات در R
Step 2 - Reinforcement Learning Thompson Sampling Outperforms UCB Algorithm
NLP Basics Understanding Bag of Words and Its Applications in Machine Learning
پردازش زبان طبیعی عمیق و مدلهای توالی به توالی کاوش در پردازش زبان طبیعی
از قوانین IfElse تا تکامل پردازش زبان طبیعی در شبکههای عصبی کانولوشنال
از قوانین IfElse تا تکامل پردازش زبان طبیعی در شبکههای عصبی کانولوشنال
پیادهسازی Bag of Words در پردازش زبان طبیعی: یک آموزش گام به گام
مرحله ۱ - شروع کار با تحلیل احساسات پردازش زبان طبیعی
مرحله ۲ - وارد کردن دادههای TSV برای تحلیل احساسات پردازش دادههای NLP پایتون
مرحله ۳ - پاکسازی متن برای NLP حذف علائم نگارشی و تبدیل به حروف کوچک
مرحله ۴ - پیشپردازش متن ریشهیابی و حذف کلمات توقف برای پردازش زبان طبیعی در پایتون
مرحله ۵ - توکنایز کردن و استخراج ویژگی برای تحلیل احساسات بیز ساده
مرحله ۶ - آموزش و ارزیابی یک طبقهبند بیز ساده برای تحلیل احساسات
مرحله ۱ - طبقهبندی متن با استفاده از Bag-of-Words و Random Forest در R
مرحله ۲ - پیشپردازش دادههای NLP در R وارد کردن فایلهای TSV برای تحلیل احساسات
مرحله ۳ - پردازش زبان طبیعی (NLP) در R راهاندازی یک کورپوس برای تحلیل احساسات
مرحله ۴ - پاکسازی دادههای NLP تبدیل به حروف کوچک در R برای تحلیل متن
مرحله ۵ - پاکسازی دادههای تحلیل احساسات حذف اعداد با TM Map
مرحله ۶ - پاکسازی دادههای متنی حذف علائم نگارشی برای پردازش زبان طبیعی و طبقهبندی
مرحله ۷ - سادهسازی کورپوس با استفاده از پکیج SnowballC برای حذف کلمات ایست در R
مرحله ۸ - بهبود ریشهیابی طبقهبندی متن برای ماتریسهای ویژگی کارآمد
مرحله ۹ حذف فضاهای اضافی برای پاکسازی متن تحلیل احساسات NLP
مرحله ۱۰ - ساخت ماتریس سند-واژه برای طبقهبندی متن در پردازش زبان طبیعی
مقدمهای بر یادگیری عمیق از بافت تاریخی تا کاربردهای مدرن
لایههای CNN: کانولوشن، ReLU، پولینگ و فلتنینگ توضیح داده شدهاند
مبانی یادگیری عمیق: بررسی نورونها، سیناپسها و توابع فعالسازی
مبانی شبکههای عصبی درک توابع فعالسازی در یادگیری عمیق
شبکههای عصبی چگونه کار میکنند: راهنمای گام به گام الگوریتمهای یادگیری عمیق
شبکههای عصبی چگونه یاد میگیرند: مبانی یادگیری عمیق توضیح داده شده است
گرادیان کاهشی تصادفی در مقابل گرادیان کاهشی دستهای مبانی یادگیری عمیق
آموزش مبانی یادگیری عمیق شبکههای عصبی گام به گام
مرحله ۲ - آموزش تنسور فلو ۲.۰ پیشپردازش دادهها برای مدل ریزش مشتری
مرحله ۳ - طراحی مدل ترتیبی ANN و لایههای Dense برای یادگیری عمیق
مرحله ۴ - آموزش شبکه عصبی کامپایل و فیت برای پیشبینی ریزش مشتری
مرحله ۲ - نحوه نصب و راهاندازی H2O برای یادگیری عمیق کارآمد در R
مرحله ۳ ساخت مدل یادگیری عمیق - پیکربندی لایه شبکه عصبی H2O
مرحله ۴ - یادگیری عمیق H2O، پیشبینی و ارزیابی دقت مدل
درک لایههای CNN: کانولوشن، ReLU، پولینگ و فلتنینگ توضیح داده شده است
مقدمهای بر شبکههای عصبی کانولوشنال درک یادگیری عمیق برای بینایی ماشین
مرحله ۱ - درک کانولوشن در CNN ها: تشخیص ویژگی و نقشههای ویژگی
مرحله ۱ب - اعمال ReLU به لایههای کانولوشن شکستن خطی بودن تصویر
مرحله ۲ - مکس پولینگ در شبکههای عصبی کانولوشنال برای افزایش ناوردایی فضایی در تشخیص تصویر
مرحله ۳ - درک Flattening در معماری شبکههای عصبی کانولوشنال
مرحله ۴ - ل
مبانی یادگیری عمیق چگونه شبکههای عصبی کانولوشنال (CNNs) تصاویر را پردازش میکنند
یادگیری عمیق: درک سافتمکس و کراس-انتروپی در شبکههای عصبی کانولوشنی
مرحله ۱ مقدمهای بر شبکههای عصبی کانولوشنال برای طبقهبندی تصویر
مرحله ۲ - Keras ImageDataGenerator برای جلوگیری از بیشبرازش در مدلهای CNN
مرحله ۳ - کانولوشن CNN تنسورفلو به لایه خروجی برای وظایف بینایی
مرحله ۴ آموزش CNN - Epoch ها، تابع Loss و متریکها در TensorFlow
مرحله ۵ - انجام پیشبینیهای تکی با شبکههای عصبی کانولوشنال در پایتون
آموزش عملی CNN با استفاده از Jupyter Notebook برای طبقهبندی تصویر
شهود الگوریتم PCA کاهش ابعاد در یادگیری بدون نظارت
مرحله ۲ - PCA در عمل کاهش ابعاد و پیشبینی بخشهای مشتری
مرحله ۱ در R - درک تحلیل مؤلفههای اصلی برای استخراج ویژگی
مرحله ۲ - استفاده از تابع preProcess در R برای استخراج مولفههای اصلی PCA
مرحله ۳ - پیادهسازی PCA و SVM برای راهنمای عملی بخشبندی مشتریان
LDA شهود جداسازی حداکثری کلاس در الگوریتمهای یادگیری ماشین
تسلط بر تحلیل تبعیضی خطی پیادهسازی گام به گام با پایتون
راهنمای گام به گام اعمال LDA برای استخراج ویژگی در یادگیری ماشین
پیسیای کرنل در پایتون بهبود دقت طبقهبندی با استخراج ویژگی
راهنمای گام به گام پیادهسازی Kernel PCA برای دادههای غیرخطی
تسلط بر تکنیکهای ارزیابی مدل اعتبارسنجی متقابل K-Fold توضیح داده شده است
چگونه بر مصالحه بایاس-واریانس در مدلهای یادگیری ماشین مسلط شویم
اعتبارسنجی متقابل K-Fold در پایتون برای بهبود عملکرد مدل یادگیری ماشین
بهینهسازی مدلهای SVM با GridSearchCV: یک آموزش گام به گام پایتون
ارزیابی دقت مدل یادگیری ماشین پیادهسازی اعتبارسنجی متقابل K-Fold در R
بهینهسازی مدلهای SVM با جستجوی شبکهای: یک آموزش گام به گام R
چگونه از XGBoost در پایتون برای پیشبینی سرطان با دقت بالا استفاده کنیم
آموزش XGBoost پیادهسازی گرادیان بوستینگ برای مسائل طبقهبندی
انواع دادهها Apache Parquet، JSON، CSV، Apache ORC، Apache Avro، RecordIO
آمادهسازی دادهها برای یادگیری ماشین با S3 - عملی
ETL با AWS Glue - نسخه کوتاه
آمادهسازی دادهها با AWS Glue DataBrew - بخش ۱
کار با دادهها با AWS Glue DataBrew - بخش ۲
آمادهسازی داده با SageMaker Data Wrangler - بخش ۱
آمادهسازی داده با SageMaker Data Wrangler - بخش ۲
مهندسی ویژگی
مهندسی ویژگی با SageMaker عملی
پاکسازی بخش
Machine Learning Paradigms
رگرسیون چیست
رگرسیون خطی ساده
کمترین مربعات معمولی
رگرسیون خطی چندگانه
ضریب تعیین
R-مربع تعدیل شده
طبقهبندی چیست
رگرسیون لجستیک
حداکثر احتمال
ماتریس درهمریختگی و دقت
درختهای تصمیم
گرادیان بوستینگ
XGBoost برای رگرسیون
XGBoost برای طبقهبندی
لایتجیبیام
تقسیمبندی مبتنی بر هیستوگرام
بستهبندی ویژگیهای انحصاری
نمونهبرداری یکطرفه مبتنی بر گرادیان
رشد درختی برگ به برگ
کَتبوست
انکودینگ هدف
کدگذاری هدف مرتبشده در CatBoost
درختان متقارن در CatBoost
مدلهای ترکیبی
نرخ یادگیری
مصالحه بایاس-واریانس
تنظیم ابرپارامترها: مبانی
تکنیکهای تنظیم هایپرپارامتر جستجوی شبکهای و تصادفی و بهینهسازی بیزی
راهاندازی SageMaker برای تمرین رگرسیون و طبقهبندی
رگرسیون با Amazon SageMaker عملی
طبقهبندی با Amazon SageMaker Hands-On
پاکسازی SageMaker
ثبت مدل در رجیستری مدل (عملی)
مروری بر سرویسهای یادگیری ماشین در AWS
پردازش زبان طبیعی با Amazon Comprehend: تمرین عملی
بینایی کامپیوتر با Amazon Rekognition عملی
Text to Speech با Amazon Polly به صورت عملی
تبدیل گفتار به متن با Amazon Transcribe عملی
استخراج متن با Amazon Textract عملی
ترجمه ماشینی با آمازون ترنسلیت - عملی
روشهای استقرار مدلها در محیط عملیاتی
استقرار در Amazon SageMaker عملی
انواع استنتاج: بدون سرور در مقابل بلادرنگ در مقابل ناهمزمان
نقاط پایانی استقرار در Amazon SageMaker Hands-On
پاکسازی SageMaker
انتخاب هدف استقرار صحیح: SageMaker در مقابل ECS در مقابل EKS در مقابل Lambda
زیرساخت به عنوان کد (IaC) CloudFormation
زیرساخت به عنوان کد (IaC) کیت توسعه ابری (CDK)
داکر کانتینرها و اپلیکیشنهای کانتینری شده
رجیستری کانتینر الاستیک (ECR) و سرویس کانتینر الاستیک (ECS) و Fargate
ساخت کانتینر با Amazon ECR - عملی
ساخت کانتینر با Amazon ECS Hands-On
ساخت کانتینر با Amazon EKS Hands-On
AWS CodePipeline در مقابل AWS CodeBuild در مقابل AWS CodeCommit در مقابل AWS CodeDeploy
AWS CodePipeline عملی
AWS CodeBuild عملی
AWS CodeDeploy عملی
ساخت پایپلاین ML با Amazon SageMaker Pipelines Hands-On
ویژگیهای هوش مصنوعی مسئولانه
ریسکهای قانونی هوش مصنوعی مولد
ابزارهایی برای یادگیری ماشین مسئولانه: SageMaker Clarify و SageMaker Model Monitor
کیفیت داده مدل و انحراف سوگیری با SageMaker Clarify Hands-On
نظارت بر مدلها در محیط عملیاتی با SageMaker Model Monitor
کارتهای مدل SageMaker
کار عملی با کارتهای مدل سیجمیکر
عیبیابی مشکلات تأخیر و عملکرد با X-Ray و CloudWatch Hands-On
ساخت تریل CloudTrail - عملی
راهاندازی داشبوردها برای نظارت بر معیارهای عملکرد با QuickSight Hands-On
راهاندازی داشبوردها برای نظارت بر معیارهای عملکرد با CloudWatch Hands-On
نظارت بر زیرساخت با رویدادهای EventBridge - عملی
راهنمای عملی SageMaker Inference Recommender
نظارت بر هزینهها با Cost Explorer، Trusted Advisor و AWS Budgets - عملی
کاهش هزینه با گزینههای خرید: اسپات، آندمند، سیوینگز پلن - عملی
پیشنیاز های دوره چه چیزهایی هستند؟
- هیچ پیشنیاز برنامهنویسیای نداره و از صفر با Python و R شروع میشه. فقط آشنایی با ریاضیات سطح دبیرستان کمککنندهست (ولی الزامی نیست، چون تمرکز دوره روی توضیح شهودیه).