هزینه آموزش
۸۵,۰۰۰ تومان

آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

تعداد دانشجو
۶,۰۷۰ نفر
مدت زمان
۱۶ ساعت و ۴۹ دقیقه
هزینه آموزش
۸۵,۰۰۰ تومان
محتوای این آموزش
تضمین کیفیت
۸۸ بازخورد (مشاهده نظرات)
آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

آموزش یادگیری ماشین (Machine Learning) شامل ۱۶ درس است که در دو بخش تهیه شده است. هر بخش شامل ۸ درس است. در بخش اول مفاهیم اولیه، داده، رگرسیون و چهار روش طبقه بندی: رگرسیون لجستیک، شبکه عصبی، ماشین بردار پشتیبان و درخت تصمیم بررسی می شوند. در بخش دوم ادامه روش های طبقه بندی: دسته بندی بیز، k نزدیک ترین همسایه و یادگیری جمعی بررسی می شوند. سپس انتخاب ویژگی، تقلیل ابعاد، خوشه بندی، کشف داده های پرت و کاوش قوانین انجمنی آموزش داده می شوند.

آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

مدت زمان
۱۶ ساعت و ۴۹ دقیقه
هزینه آموزش
۸۵,۰۰۰ تومان
محتوای این آموزش
۸۸ بازخورد (مشاهده نظرات)
مدرس
دکتر فرشید شیرافکن

دکتری تخصصی مهندسی بیوانفورماتیک

ایشان به عنوان مدرس نمونه در زمینه ارائه و آموزش دروس دانشگاهی انتخاب شده‌اند، همچنین ایشان مشاور کنکور نیز هستند و بیش از 30 کتاب در زمینه کنکور رشته کامپیوتر تالیف کرده‌اند.

چکیده آموزش


توضیحات تکمیلی

یادگیری ماشین (Machine Learning) یک حوزه مطالعاتی است که به ماشین ها توانایی یادگیری می دهد، بدون این که نیاز باشد این ماشین ها به طور صریح برنامه نویسی شوند. به عبارتی، یادگیری ماشین بررسی می کند که چگونه کامپیوترها می توانند براساس داده یاد بگیرند یا کارایی شان را بهبود بخشند.

آموزش یادگیری ماشین شامل ۱۶ درس است که در دو بخش تهیه شده است. هر بخش شامل ۸ درس است. در بخش اول مفاهیم اولیه، داده، رگرسیون و چهار روش طبقه بندی: رگرسیون لجستیک، شبکه عصبی، ماشین بردار پشتیبان و درخت تصمیم بررسی می شوند. در بخش دوم ادامه روش های طبقه بندی: دسته بندی بیز، k نزدیک ترین همسایه و یادگیری جمعی بررسی می شوند. سپس انتخاب ویژگی، تقلیل ابعاد، خوشه بندی، کشف داده های پرت و کاوش قوانین انجمنی آموزش داده می شوند.

در این آموزش ابتدا مطالب به صورت تئوری توضیح داده می شود و سپس در پایان هر درس به کمک زبان پایتون پیاده سازی می شوند، همچنین می توانید آموزش یادگیری ماشین (Machine Learning) (تئوری و عملی) – بخش دوم را از طریق این لینک (+) مشاهده نمایید.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: مقدمه ای بر یادگیری ماشین
    • تعریف یادگیری ماشین و کاربردهای آن
    • انواع الگوریتم های یادگیری (با نظارت و بدون نظارت)
    • معرفی دیتاست Iris
    • دسته بندی های خطی
      • پرسپترون (Perceptron)
      • فیشر یا LDA
    • مقدمه ای بر یادگیری با نظارت و الگوریتم های دسته بندی
    • معرفی Cross Validation
    • مقدمه ای بر یادگیری بدون نظارت (خوشه بندی) و معرفی اولیه کاهش ابعاد (PCA)
    • ارزیابی سیستم های یادگیری
    • ماتریس درهم ریختگی
      • True Positive
      • False Positive
      • True Negative
      • False Negative
    • معرفی معیارها
      • Accuracy
      • Precision
      • Recall
      • Specificity
      • Fscore
    • ماتریس درهم ریختگی (Confusion Matrix) برای بیش از دو کلاس
    • بررسی دقیق منحنی Roc
  • درس دوم: داده
    • انواع داده
      • اسمی
      • ترتیبی
      • عددی
    • شاخص های آماری
      • میانگین
      • میانه
      • مد
      • واریانس
      • انحراف معیار
      • چارک ها
    • نمایش گرافیکی توصیف های آماری
      • نمودار میله ای
      • هیستوگرام
      • نمودار چارک
      • Box plot
    • وابستگی (Correlation)
    • ویژگی های اسمی – باینری
    • عدم شباهت برای داده های عددی
      • فاصله ها
      • مینکوفسکی (Minkowski)
      • منهتن
      • اقلیدسی
      • سوپریمم
    • معیار کسینوس برای شباهت
  • درس سوم: پیش پردازش داده
    • معیارهای کیفیت داده
    • اعمال پیش پردازش
      • پاک سازی داده ها
      • ترکیب و تجمیع داده ها
      • کاهش داده ها
      • تبدیل داده ها و گسسته سازی
    • نحوه رسیدگی به داده های گم شده
    • داده نویز
    • روش سبدی برای هموار سازی داده ها
    • استراتژی های کاهش داده ها
    • نمونه برداری
  • درس چهارم: رگرسیون
    • رگرسیون خطی
      • تک متغیره
      • چند متغیره
    • تابع هزینه (Cost Function)
    • نقشه های توپوگرافیک (Contour)
    • گرادیان کاهشی
    • نرخ یادگیری و بررسی همگرایی
    • استفاده از گرادیان کاهشی در رگرسیون خطی
    • معادله نرمال
    • تابع هزینه (فرم ماتریسی)
    • نکاتی در رابطه با رگرسیون خطی چند متغیره
    • رگرسیون خطی (تعداد داده های آموزشی و تعمیم پذیری)
    • انواع خطا
    • بیش پردازش (Overfitting) و روش های اجتناب از آن
  • درس پنجم: رگرسیون لجستیک (Logistic Regression)
    • مرز تصمیم خطی و غیرخطی
    • تابع هزینه
    • الگوریتم گرادیان کاهشی در رگرسیون لجستیک
    • کلاس بندی با چند کلاس (یکی در برابر بقیه)
    • تنظیم رگرسیون خطی و رگرسیون لجستیک
    • بایاس و واریانس (Bias & Variance)
    • پیچیدگی مدل
  • درس ششم: شبکه عصبی مصنوعی
    • معرفی شبکه های عصبی مصنوعی
    • نورون های مصنوعی
    • قانون آموزش پرسپترون (قانون دلتا)
    • پیاده سازی OR
    • اثبات قانون دلتا
    • شبکه عصبی پرسپترون چند لایه
    • پیاده سازی گیت XOR و XNOR
    • مثال
      • محاسبه خروجی شبکه عصبی
      • کلاس بندی داده ها با شبکه عصبی مصنوعی
    • الگوریتم پس انتشار خطا (Back Propagation)
    • مثال
      • تابع تحریک سیگموید (Sigmoid)
      • تابع تحریک تانژانت هیپربولیک (Hyperbolique)
    • استفاده از قاعده مشتق زنجیره ای برای محاسبه فرمول به هنگام سازی وزن ها
  • درس هفتم: ماشین بردار پشتیبان
    • مقدمه ای بر بردار
      • جمع و تفریق
      • جهت
      • فاصله از ابر صفحه
    • ماشین بردار پشتیبان
    • محاسبه اندازه حاشیه
    • بردارهای پشتیبان
    • مساله بهینه سازی حداکثر کردن اندازه حاشیه
    • حل مساله های بهینه سازی به کمک ضرایب لاگرانژ
    • مثال
      • محاسبه معادله خط جدا کننده دو کلاس
    • شرایط KKT
    • فرم دوگان لاگرانژ
    • ماشین بردار پشتیبان با حاشیه نرم
    • بهینه سازی ماشین بردار پشتیبان با حاشیه نرم
    • کرنل (Kernel)
    • مثال
      • نگاشت داده ها به فضای دیگر
    • حقه کرنل (Kernel Trick)
    • مثال
      • محاسبه معادله خط جدا کننده دو کلاس
    • کرنل های معروف
      • چند جمله ای
      • گوسی
      • سیگموید
    • پارامتر سیگما در کرنل گوسی
    • مزایا و معایب SVM
  • درس هشتم: درخت تصمیم
    • چند مثال برای درخت تصمیم
    • الگوریتم های ساختن درخت تصمیم
    • الگوریتم Hunt
    • آنتروپی
    • بهره (Gain)
    • نسبت کسب اطلاعات
    • الگوریتم ID3
    • ضریب Gini
    • شکست چند انشعابی
    • مقایسه آنتروپی و Gini
    • ضریب Gini برای ویژگی های پیوسته
    • تعیین قانون با ارزش تر
    • بررسی چند مثال
    • بیش برازش ناشی از نویز
    • هرس کردن (Pruning)
    • مزایا و معایب درخت تصمیم

مفید برای رشته های
  • مهندسی کامپیوتر

آنچه در این آموزش خواهید دید:

آموزش ویدئویی مورد تائید فرادرس
فایل برنامه ها و پروژه های اجرا شده
فایل PDF یادداشت‌ های ارائه مدرس

نرم افزارهای مرتبط با آموزش

python 3.7.3,anaconda,jupyter notebook




پیش نمایش‌ها

۱. مقدمه ‌‎ای بر یادگیری ماشین

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۲۲ مگابایت -- (کلیک کنید +))

۲. داده

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۶۴ مگابایت -- (کلیک کنید +))

۳. پیش ‌پردازش داده

توجه: اگر به خاطر سرعت اینترنت، کیفیت نمایش پایین‌تر از کیفیت HD ویدئو اصلی باشد؛ می‌توانید ویدئو را دانلود و مشاهده کنید دانلود پیش‌نمایش - حجم: ۲۱ مگابایت -- (کلیک کنید +))

۴. رگرسیون
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. رگرسیون لجستیک
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. شبکه عصبی مصنوعی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. ماشین بردار پشتیبان
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. درخت تصمیم
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۱۹ جلسه ویدئویی با مجموع ۱۶ ساعت و ۴۹ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

راهنمای سفارش آموزش‌ها

آیا می دانید که تهیه یک آموزش از فرادرس و شروع یادگیری چقدر ساده است؟

(راهنمایی بیشتر +)

در مورد این آموزش یا نحوه تهیه آن سوالی دارید؟
  • با شماره تلفن واحد مخاطبین ۵۷۹۱۶۰۰۰ (پیش شماره ۰۲۱) تماس بگیرید. - تمام ساعات اداری
  • با ما مکاتبه ایمیلی داشته باشید (این لینک). - میانگین زمان پاسخ دهی: ۳۰ دقیقه


اطلاعات تکمیلی

نام آموزش آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۷۲۸۳۸ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVDM9406
مدت زمان ۱۶ ساعت و ۴۹ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۲ گیگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


آموزش‌های پیشنهادی برای شما



نظرات

تا کنون ۶,۰۷۰ نفر از این آموزش استفاده کرده اند و ۸۸ نظر ثبت شده است.
مینا
مینا

سلام
من با توجه به نظر دوستان خریدم فایلو و فکر کردم شاید بعضی جاها اغراق بوده ولی وقتی خودم استفاده کردم و جواب سوالهایی که یک سال دنبالش بودم تو فایلها پیدا کردم واقعا متوجه نظر دوستان شدم تازه با این قیمت فوق العاده مناسب... ممنون از شما ... موفق و سلامت باشید

فرشید شیرافکن
فرشید شیرافکن
مدرس

سلام. ممنون از شما و همه عزیزانی که نظرات خود را در این صفحه می نویسند.

فرشید شیرافکن
فرشید شیرافکن
مدرس

سلام.
ترتیب آموزش های اینجانب برای ورود به حوزه یادگیری ماشین ، هوش مصنوعی و data science :
1- پایتون همراه با مثال های عملی
2- شی گرایی در پایتون
3- تجزیه و تحلیل و آماده سازی داده ها با پایتون
4- یادگیری ماشین (بخش اول)
5- یادگیری ماشین (قسمت دوم)
6- گراف کاوی و تحلیل شبکه ها در پایتون با NetworkX

شیوا
شیوا

واقعا آموزش عالی و بی نظیری بود...ممنون از استاد شیرافکن گرامی و تیم خوب فرادرس

مجید
مجید

عالی، عالی، عالی.
استاد بسیار شیوا و مسلط توضیح میدهند. کاملا مشخص هست که ایشون مطالب رو عمیقا یاد گرفتن. در خرید این پکیج شک نکنید.

کریم
کریم

50 درصد محبوبیت فرادرس بخاطر آموزش های خاص شماست.
استاد !
آغوش بزرگ

فرشید شیرافکن
فرشید شیرافکن
مدرس

سلام. خیلی ممنون از لطف شما

فرزاد
فرزاد

با سلام و خدا قوت خدمت استاد عزیز.
استاد بهشت رو برای خودتون خریدید. چون هر سری نکاه میکنم ویدیوهارو یه دعای خیری برای شما می کنم. میدونم بقیه هم دعا میکنن.
دستتون درد نکنه. خدا قوت میگم. و ارزوی سلامتی دارم براتون.

فرشید شیرافکن
فرشید شیرافکن
مدرس

سلام. خیلی ممنون. من هم برای شما و تمامی عزیزان قدرشناس آرزوی سلامتی دارم.

قاسم
قاسم

عالی و بی نظیر
خدا قوت

فرشید شیرافکن
فرشید شیرافکن
مدرس

زنده باشید

مهیار
مهیار

با سلام خدمت استاد بزرگوار
واقعاً فن بیان و توضیحات جامع و کافی شما همراه عنوان مجدد مباحث ابتدایی جهت یادآوری بسیار عالی و قابل تحسین هست. دستتان درد نکند و خدا خیرتان دهد.

فرشید شیرافکن
فرشید شیرافکن
مدرس

سلام. ممنون. خدا به شما هم خیر بدهد که قدردانی می کنید و خستگی را از بین می برید.

آیدین
آیدین

سلام آقای دکتر شیرافکن عزیز، بدون شک بهترین برنامه آموزشی یادگیری ماشین بود که تا حالا دیدم.
فن بیان عالی، تسلط عالی، مثالهای قابل فهم، خیلی سپاسگزارم ازتون.
خواهشا Reinforcement Learning رو تو برنامه تون بذارین. خیلی مشتاق هستیم.

فرشید شیرافکن
فرشید شیرافکن
مدرس

سلام. خیلی ممنون.

مهدی
مهدی

واقعا آموزشهای استاد شیرافکن عالی هستن و چیزی که آموزشهای ایشون رو از دیگران متمایز می‌کنه نظم و ترتیب و پوشش کامل مطالب مورد بحث هست. من فکر میکنم داشتن علم یه چیز و قدرت آموزش دادن اون علم یه چیز دیگه هست که هر کسی این قدرت رو نداره ولی جناب شیرافکن در این زمینه بی نظیر هستند.

دسته‌بندی موضوعی: داده کاوی | یادگیری ماشین
برچسب‌ها:
accuracy | Back Propagation | Bias | Bias & Variance | BoxPlot | Confusion Matrix | Contour | Correlation | Cost Function | Cross-Validation | False Negative | False Positive | Fscore | Gain | Hyperbolique | Kernel | Kernel Trick | logistic regression | Minkowski | Overfit | Overfitting | Perceptron | precision | Pruning | Recall | Sigmoid | Specificity | SVM | True Negative | True Positive | variance | آنتروپی | اثبات قانون دلتا | استراتژی های کاهش داده ها | اعمال پیش پردازش | الگوریتم Hunt | الگوریتم ID3 | الگوریتم پس انتشار خطا | الگوریتم ساخت درخت تصمیم | الگوریتم گرادیان کاهشی | الگوریتم های دسته بندی | انحراف معیار | انواع الگوریتم های یادگیری | انواع خطا | انواع داده | با نظارت و بدون نظارت | بایاس | بایاس و واریانس | بردارهای پشتیبان | بررسی چند | بررسی دقیق منحنی Roc | بررسی همگرایی | بهره | بهینه سازی حداکثر کردن اندازه حاشیه | بهینه سازی ماشین بردار پشتیبان با حاشیه نرم | بیش برازش ناشی از نویز | بیش پردازش | پارامتر سیگما | پاک سازی داده ها | پرسپترون | پرسپترون چند لایه | پیاده سازی OR | پیاده سازی گیت XNOR | پیاده سازی گیت XOR و XNOR | پیچیدگی مدل | پیش پردازش داده | تابع تحریک تانژانت هیپربولیک | تابع تحریک سیگموئید | تابع هزینه | تانژانت هیپربولیک | تبدیل داده ها | تجمیع داده ها | ترکیب داده ها | تعمیم پذیری | تعیین قانون با ارزش تر | تک متغیره | چارک ها | چند جمله ای | چند متغیره | حقه کرنل | حل مساله های بهینه سازی | خروجی شبکه عصبی | خوشه بندی | داده نویز | داده های آموزشی | درخت تصمیم | دسته بندی های خطی | دیتاست Iris | رسیدگی به داده های گم شده | رگرسیون | رگرسیون خطی | رگرسیون لجستیک | روش سبدی | روش های اجتناب از آن | سیستم های یادگیری | سیگموئید | شاخص های آماری | شبکه عصبی پرسپترون چند لایه | شبکه عصبی مصنوعی | شرایط KKT | شکست چند انشعابی | ضرایب لاگرانژ | ضریب Gini | عدم شباهت داده های عددی | فاصله از ابر صفحه | فاصله ها | فرم دوگان لاگرانژ | فرم ماتریسی | فرمول به هنگام سازی وزن ها | فیشر یا LDA | قاعده مشتق زنجیره ای | قانون آموزش پرسپترون | قانون دلتا | کاهش داده ها | کرنل | کرنل گوسی | کرنل های معروف | کلاس بندی با چند کلاس | کلاس بندی داده ها | گرادیان کاهشی | گرسیون خطی چند متغیره | گسسته سازی | گوسی | ماتریس درهم ریختگی | ماتریس درهم ریختگی برای بیش از دو کلاس | ماشین بردار پشتیبان | ماشین بردار پشتیبان با حاشیه نرم | محاسبه اندازه حاشیه | محاسبه معادله خط جدا کننده دو کلاس | مرز تصمیم خطی | مرز تصمیم غیر خطی | مزایا SVM | مزایا و معایب درخت تصمیم | مزایای درخت تصمیم | معادله نرمال | معایب SVM | معایب درخت تصمیم | معرفی PCA | معرفی اولیه کاهش ابعاد | معرفی معیار | معیار کسینوس برای شباهت | معیارهای کیفیت داده | مقایسه آنتروپی و Gini | مینکوفسکی | نرخ یادگیری | نسبت کسب اطلاعات | نقشه های توپوگرافیک | نگاشت داده ها به فضای دیگر | نمایش گرافیکی توصیف های آماری | نمودار چارک | نمودار میله ای | نمونه برداری | نورون های مصنوعی | هرس کردن | هموار سازی داده ها | هیستوگرام | وابستگی | واریانس | ویژگی های اسمی | ویژگی های باینری | ویژگی های پیوسته | یادگیری بدون نظارت | یادگیری ماشین | یادگیری ماشین و کاربردهای آن | یاده سازی گیت XOR
مشاهده بیشتر مشاهده کمتر

×
فهرست جلسات ۱۹ جلسه ویدئویی