loading...

یادگیری ماشین از صفر تا صد با Python و R

<p>🧠 از صفر تا مدل&zwnj;های پیشرفته &mdash; رگرسیون، طبقه&zwnj;بندی، خوشه&zwnj;بندی، NLP و یادگیری عمیق<br /> 🐍 هم Python، هم R &mdash; دو زبان اصلی دنیای دیتاساینس<br /> 💡 تمرکز روی شهود، نه فرمول خشک &mdash; مفاهیم پیچیده، ساده و قابل&zwnj;فهم<br /> 📁 کد آماده و پروژه&zwnj;محور &mdash; قالب&zwnj;های آماده برای پروژه&zwnj;های واقعی<br /> 🚀 بدون نیاز به تجربه&zwnj;ی برنامه&zwnj;نویسی &mdash; مناسب شروع از صفر</p>

قیمت: 449,000 تومان 224,500 تومان

قیمت ارزی (تتر):

X
47 : 50 : 41
425 جلسه
50 فصل
2 سال پشتیبانی

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

به دوره خوش آمدید!
  • 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
  • بخش ۱ پیش‌پردازش داده‌ها ---
  • 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
  • پیش‌پردازش داده در پایتون
  • 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
  • پیش‌پردازش داده در R
  • 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
  • بخش ۲ رگرسیون ---
    درحال حاضر هیج بخشی برای این فصل منتشر نشده است
    رگرسیون خطی ساده
  • 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
  • رگرسیون خطی چندگانه
  • 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
  • رگرسیون چندجمله‌ای
  • 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
  • رگرسیون بردار پشتیبان (SVR)
  • 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
  • رگرسیون درخت تصمیم
  • 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
  • رگرسیون جنگل تصادفی
  • 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
  • ارزیابی عملکرد مدل‌های رگرسیون
  • 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
  • انتخاب مدل رگرسیون در پایتون
  • 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
  • انتخاب مدل رگرسیون در R
  • 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
  • بخش ۳ طبقه‌بندی ---
  • طبقه‌بندی در مبانی و کاربردهای یادگیری ماشین چیست

    00:02:30
  • رگرسیون لجستیک
  • 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
  • کی-نزدیک‌ترین همسایه‌ها (K-NN)
  • 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
  • ماشین بردار پشتیبان (SVM)
  • 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
  • کرنل SVM
  • 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
  • نایو بیز
  • 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
  • طبقه‌بندی درخت تصمیم
  • 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
  • طبقه‌بندی جنگل تصادفی
  • 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
  • انتخاب مدل طبقه‌بندی در پایتون
  • 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
  • ارزیابی عملکرد مدل‌های طبقه‌بندی
  • 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
  • بخش ۴ خوشه‌بندی ---
    درحال حاضر هیج بخشی برای این فصل منتشر نشده است
    خوشه‌بندی K-Means
  • 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
  • خوشه‌بندی سلسله‌مراتبی
  • 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
  • بخش ۵ یادگیری قوانین وابستگی ---
    درحال حاضر هیج بخشی برای این فصل منتشر نشده است
    آپریوری
  • 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
  • اِکْلات
  • 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
  • بخش ۶ یادگیری تقویتی ---
    درحال حاضر هیج بخشی برای این فصل منتشر نشده است
    کران بالای اطمینان (UCB)
  • 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
  • نمونه‌برداری تامپسون
  • 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
  • بخش ۷ پردازش زبان طبیعی ---
  • 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
  • بخش ۸ یادگیری عمیق ---
  • مقدمه‌ای بر یادگیری عمیق از بافت تاریخی تا کاربردهای مدرن

    00:12:34
  • شبکه‌های عصبی مصنوعی
  • 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
  • شبکه‌های عصبی کانولوشنال
  • 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
  • بخش ۹ کاهش ابعاد ---
    درحال حاضر هیج بخشی برای این فصل منتشر نشده است
    تحلیل مؤلفه‌های اصلی (PCA)
  • 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
  • تحلیل تبعیض خطی (LDA)
  • 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
  • کرنل PCA
  • 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
  • بخش ۱۰ انتخاب مدل و بوستینگ ---
    درحال حاضر هیج بخشی برای این فصل منتشر نشده است
    انتخاب مدل
  • 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
  • اکسترا گرادیانت بوستینگ
  • 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
  • بخش ۱۱ پیش‌پردازش داده با AWS ---
  • 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
  • Part 12 ML Model Development with AWS ---
  • 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
  • بخش ۱۳ استقرار مدل یادگیری ماشین با AWS ---
  • 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
  • بخش ۱۴ اتوماسیون گردش کار یادگیری ماشین (پایپ‌لاین‌های CICD) با AWS ---
  • 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
  • بخش ۱۵ نظارت و نگهداری راهکار یادگیری ماشین با AWS ---
  • 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
  • تبریک میگم!! جایزه ات رو فراموش نکن )
    درحال حاضر هیج بخشی برای این فصل منتشر نشده است

    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).

    نظرات دانشجویان

    مدرس دوره

    کدیاد پلاس (Codeyad Plus)