هزینه آموزش
۴۱,۰۰۰ تومان

آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

تعداد دانشجو
۴,۸۳۵ نفر
مدت زمان
۱۶ ساعت و ۵۰ دقیقه
هزینه آموزش
۴۱,۰۰۰ تومان
محتوای این آموزش
۶۰ 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

تعداد دانشجو
۴,۸۳۵ نفر
مدت زمان
۱۶ ساعت و ۵۰ دقیقه
هزینه آموزش
۴۱,۰۰۰ تومان
محتوای این آموزش
۶۰ بازخورد (مشاهده نظرات)
مدرس
فرشید شیرافکن

دانشجوی دکتری تخصصی بیوانفورماتیک

مهندس فرشید شیرافکن دارای مدرک کارشناسی ارشد مهندسی کامپیوتر گرایش نرم‌افزار بوده و در حال حاضر دانشجوی دکترای بیوانفورماتیک دانشگاه تهران هستند. ایشان از مدرسین نمونه در زمینه ارائه و آموزش دروس دانشگاهی انتخاب شده‌اند.

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
مشاهده بیشتر مشاهده کمتر

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: ۲۰ 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.

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 ۵۰ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (لینک دانلود)
حجم دانلود ۱۲۴۹ مگابایت (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

تا کنون ۴,۸۳۵ نفر از این آموزش استفاده کرده اند و ۶۰ نظر ثبت شده است.
مسیح
مسیح

این بسته آموزشی بسیار عالی هست. بیان مهندس شیکرافکن واقعا بسیار عالی هست و مفاهیم را به طرز بسیار عالی بیان میکنن. جا داره از ایشون صمیمانه تشکر کنم. امیدوارم آموزش های عالی دیگری در راستای تکمیل این مبحث و خصوصا در زمینه DNN هم از ایشان منتشر شود.

فرشید شیرافکن
فرشید شیرافکن

ممنون

صدرا صدیقین
صدرا صدیقین

از مدرس آموزش ، جناب آقای شیرافکن تشکر می کنم . از منابع خوبی استفاده کرده بودند .
همچنین با استفاده از تصاویر یادگیری را راحت تر کرده بودند .
یک سوال خدمت آقای شیر افکن داشتم :
پس گذراندن قسمت یک و دو آموزش یادگیری ماشین تئوری و عملی برای آموزش پیشرفته چه منابعی هست ؟

و برای یادگیری تقویتی چه منابعی را پیشنهاد می کنید ؟

فرشید شیرافکن
فرشید شیرافکن

ممنون.
آموزش جدیدی به زودی منتشر می شود به نام تجزیه و تحلیل و آماده سازی داده ها با پایتون که می تواند مفید باشد.
برای یادگیری عمیق می توانید از آموزش های موجود در سایت فرادرس استفاده کنید.

علیرضا جاهدی
علیرضا جاهدی

فن بیان خیلی خوبی دارن استاد. هنور دوره رو تموم نکردم ولی خیلی واضح و دقیق توضیح میدن.تشکر از فرادرس و استاد عزیز

علیرضا عبدالملکی
علیرضا عبدالملکی

بی نظیر بود این آموزش
مدرس خیلی با حوصله همه بخش ها رو بارها تکرار میکنن و مطلب رو جا میندازن
در عین حال سرعت تدریس هم نه خیلی بالا و نه کسل کننده است
ممنون از آموزش خوب تون آقای دکتر

مدرس آموزش: فرشید شیرافکن
مدرس آموزش: فرشید شیرافکن

سلام به مخاطبین گرامی.
این آموزش مناسب افرادی است که هیچ آشنایی قبلی با مفاهیم اولیه یادگیری ماشین ندارند. ابتدا مفاهیم توضیح داده شده سپس در پایان هر فصل به زبان پایتون پیاده سازی می شوند. 

فرشید شیرافکن
فرشید شیرافکن

سلام.
پیشنهاد به مخاطبین عزیز.

از پیام های دلگرم کننده شما ممنون هستم.
اگر به زبان پایتون آشنایی ندارید، آموزش پایتون همراه با مثال های عملی موجود در سایت فرادرس را ببینید.
موفق باشید.
فرشید شیرافکن.

زینب جاوید
زینب جاوید

من این آموزش رو از آقای شیرافکن تهیه کردم و قبلا آموزش ساختمان داده ایشون رو تهیه کرده بودم. می خواستم تشکر فراوان کنم از مجموعه فرادرس و آقای شیرافکن عزیز که بیانشون فوق العاده و مباحثی که پوشش دادند خیلی کامل و مفید بود.
من واقعا از این آموزش استفاده کردم. در فرادرس با اینکه قیمت ها خیلی مناسب هست، سطح آموزش ها خیلی بالاست و واقعا قابل مقایسه با مجموعه های مشابه نیست.

ریحانه
ریحانه

این درس رو با استاد شیرافکن به شدت توصیه میکنم. من قبل از خرید این درس، از سایت دیگری پکیج کامل و جامع آموزش علم داده رو تهیه کردم 370 تومن و از کل اون پکیج ده درصد این درس فرادرس یاد نگرفتم. آقای شیرافکن که من با تدریسشون تازه آشنا شدم واقعا عالین

یحیی
یحیی

من همیشه این آموزش آقای شیرافکن رو به همه معرفی می کنم. البته 60 70 درصدشو دیدم در حال حاضر.

امین
امین

آموزش واقعا فوق العاده بود. مهارت تدریس آقای دکتر شیرافکن بسیار خوب بود مثل بقیه آموزش هایی که از ایشون دیدم. مطالب تقریبا کامل و بسیار بسیار کاربردی و به زبان ساده بودن و از دیدنشون بدون اغراق لذت بردم و به نظرم برای تمام رشته های علمی بسیار مفید و قابل استفاده خواهد بود

rohollah
rohollah

من این دوره رو هنوز تهیه نکردم اما در اینده ای نزدیک اگه تخفیف بخوره صد در صد میگیرمش:)
الان فقط میخوام تشکر کنم از مجموعه فرادرس که بهترین کیفیت آموزشی رو ارائه میدن با مناسب ترین و پایین ترین هزینه، تا به حال از 99 درصد آموزش هایی که تهیه کردم واقعا راضیم
امیدوارم هزینه دوره ها همیشه انقدر مناسب و دانشجویی باشه، چون این مبالغ رو هم دانشجو ها به سختی میتونن تهیه کنن و مطمئنن تمام اساتید فرادرس هم این چنین تجربه هایی رو دارن
با آرزوی این که تمام بچه های پارسی زبان بتونن بدون هیچ مشکلی به تحصیل شون دامه بدن.

همایون
همایون

فوق العادهههههههههههه عالی هر کسی نیاز داره بدون شک و استرس تهیه بکنه این آموزشو عالی تدریس کردند واقعا ممنون از استاد شیرافکن و همچنین مجموعه خوب فرادرس

یاسمن
یاسمن

خیلی خوبه، واقعا خوب بود. من خیلی چیزا از پایتون نمی دونستم استاد پله پله و خیلی ملموس مبحث به این سنگینی رو درس دادند که تونست یه نفر مثل من که صفر هست رو به متوسط برسونه

فرشید شیرافکن
فرشید شیرافکن

سلام- در پاسخ به فاطمه:
اگر عکسی با آموزش خارجی مشابه است دلیل آن این است که هر دو آن مطلب را از یک کتاب مرجع تدریس کرده ایم. نام کتابهای مرجع نیز در ابتدای آموزش آورده شده است.

فرشید شیرافکن - مدرس
فرشید شیرافکن - مدرس

سلام خدمت محمد عزیز. این آموزش به همراه قسمت 2 می تواند منبع کاملی برای درس یادگیری ماشین باشد، اما برای درس شناسایی الگو باید آموزش دیگری تهیه شود. موفق باشید.

محمد
محمد

با سلام خدمت استاد شیرافکن
من علاقه زیادی به داده کاوی و هوش مصنوعی دارم و پایان نامه ارشدم از الگوریتم های یادگیری ماشین استفاده کردم.
سوالی از شما دارم این است که برای شرکت در کنکور دکتری هوش مصنوعی آیا این این مجموعه کافی است و یا منابع بیشتری لازم است؟
در رابطه با درس شناسایی الگو هم سوال داشتم که آیا منبع خوبی برای این درس می شناسید یا نه. البته امیدوارم درس شناسایی الگو هم توسط شما ارائه گردد.
با تشکر

فرشید شیرافکن _ مدرس
فرشید شیرافکن _ مدرس

با عرض سلام، خدمت آقا نیما. اطلاع از مفاهیم اولیه آمار و احتمال ضروری است و تسلط بیشر به مفاهیم، هنگام نوشتن مقاله و درک مقاله ها بسیار مفید است.

نیما
نیما

استاد اگر امار و احتمال کامل بلد نباشیم و فقط یه درکی پیدا کنیم مشکلی در ادامه کار برامون پیش نمیاد؟
یعنی تئوری فقط یه درکی از مفهومات پیدا کنیم و عملی و کار با کتابخونه ها و دیتا ست کامل بلد باشیم
مشکلی که نداره برای کار کردن مثلا تو یه شرکتی چیزی؟؟
یا حتما باید آمار و احتمال و تئوری کامل یاد بگیریم؟؟

آرش
آرش

دوستان توجه کنند که توی اپدیت جدید sklearn تابع Imputer به فرم زیر تبدیل شده و قابل استفاده هست.
from sklearn.impute import SimpleImputer
و SimpleImputer نیاز به مقدار دهی ندارد وگرنه ارور می دهد.

سمیه زابلی
سمیه زابلی

مرررسی

یونس
یونس

آقای شیر افکن کلا تدریسشون خوبه همه چی واضح و انتقال مطلب شون هم قوی هست

فاطمه
فاطمه

استاد اکثر تصاویرشونو از تدریس یک استاد خارجی برداشته اند، که دیدن این مورد منو خیل یناراحت کرد و به من برخورد. ایشون هیچ تلاشی نکردند که خودشون تصاویر رو بکشن و مرحله به مرحله پیش برند و فقط یک سری عکس آماده رو داخل آموزش قرار دادند.

فرشید شیرافکن - مدرس
فرشید شیرافکن - مدرس

اگر عکس یا عکس هایی با آموزش خارجی مشابه است دلیل آن این است که من و آن استاد خارجی، آن مطلب را از یک کتاب مرجع تدریس کرده ایم. نام کتابهای مرجع نیز در ابتدای آموزش آورده شده است.
من برای تهیه این آموزش بیش از یک سال و نیم زمان گذاشتم و اکثر آموزش های موجود را دیدم و سعی کردم منبع کاملی ارائه دهم.
موفق باشید.

حميدرضا
حميدرضا

بخش اول و دوم آموزش دیدم سطح آموزش یه مقدار بالا بود.

محسن
محسن

به نظرمن با توجه به این شرایط به عنوان یک کلاس آنلاین خیلی خوب برگزار شده و اطلاعات مفیدی رو منتقل کردند.

مرادی
مرادی

هم تئوریش خوبه هم با پایتون صفر تا صدش رو عملی کار می کنه. موفق باشین

یاسین
یاسین

یکی از بهترین آموزش هایی هست که دیدم، خیلی قشنگ بود، سرفصل ها هم مناسب بود. سرعت روند کار خوبه، نه خیلی کند و نه خیلی تند.

زهرا
زهرا

بخش اول و دوم این آموزش دیدم. ایشان یکی از بهترین مدرس های شما از لحاظ میزان تسلط، بیان، تقسیم بندی دروس و مطالبی که ارائه می کنند هستن.

فاطمه
فاطمه

خیلی راضی بودم و آقای مهندس شیر افکن واقعا عالی تدریس کردند. من هیچی بلد نبودم، الان کامل مسلط شدم.

بابک
بابک

بهترین آموزشی بود که دیدم. به نظرم نحوه انتقال مفاهیم خیلی قوی تر بود.

شروین
شروین

خیلی عالیه، آقای شیرافکن، خودشون استاد داشنگاه هستن و تدریسی که دارند دانشگاهیه. مباحثی که درباره پایتون درس میدن دیدم، خیلی رضایت دارم و ازشون استفاده کردم.

علی
علی

به نظرم آموزش سطح لازم رو برای یادگیری داشته و مدرس تسلط بالایی دارند. فقط یکم نیاز داشت مباحث علمیش بیشتر باشه.

مصطفی
مصطفی

عالی

محمدرضا
محمدرضا


سلام دیدمش خوبه به نظرم

حمید
حمید

کلا استاد شیر افکن آموزش ها شون خوبه.

حسین
حسین

مطالب ارائه شده خیلی مفید و کاربردی بود.

الیاس تیموری
الیاس تیموری

سلام استاد عزیز
واقعا لذت می برم از این بیان و آموزش خوب لطفا آموزش یادگیری عمیق و در کل تمام آموزش های هوش مصنوعی را تهیه کنید.اجرتون با خدا

فرشید شیرافکن
فرشید شیرافکن

خیلی ممنون از مخاطب گرامی لاله خانم.
پیاده سازی عملی در این آموزش با زبان برنامه نویسی "پایتون" است.
فرض بر این بوده که دانشجوی عزیز در ابتدا با هیچ یک از مفاهیم یادگیری ماشین آشنا نیست.
ابتدا مفاهیم به صورت تئوری توضیح داده شده و سپس به صورت عملی پیاده سازی شده است.
تهیه این آموزش بیش از یکسال طول کشیده و سعی شده تا آموزش کاملی تقدیم شما عزیزان شود.
فرشید شیرافکن مدرس آموزش.

لاله
لاله

سلام استاد ممنون از آموزش تون . لطفا قید بفرمایید که در پایتون پیاده سازی میشه . چون اشاره ایی نشده بود و من فکر کردم در متلب پیاده سازی شده

مهرداد
مهرداد

بیان مدرس، نحوه تدرس و میزان تسلط مدرس خوب بود. استفاده از قلم یکی از ویژگی های خوب این آموزش است ضمن اینکه مباحث تئوری و عملی در کنار هم بود خیلی عالیه هست.

کریم
کریم

ممنونم از استاد بزرگوار و گرامی
من تا الان از چند کتاب و ویدئوی آموزشی البته رایگان استفاده کردم ولی تدریس شما بی نظیر بود،واقعا ممنونم.
من معمولا توی هیچ سایتی نظر نمی دم ، اما بنظرم عالی هستش.

حامد
حامد

کاربردی بود و من به بقیه هم این آموزش رو پیشنهاد کردم. هم از لحاظ محتوایی و هم برنامه نویسی. برای انجام پروژه دید خوبی به دانشجو ها میدهد.

سپنتا
سپنتا

خسته نباشید به استاد محترم. واقعا هر دو بخش بی نظیره.

امیر
امیر

عالی همراه مثال - فهم و درک و عمل

ترانه
ترانه

با عرض سلام و احترام،
بابت ارائه ی این آموزش فوق العاده از شما سپاسگزارم. محتوای آموزش، مثال های ارائه شده برای درک مطلب و بیان شفاف و شیوای مدرس حقیقتا شایسته ی قدر دانی و سپاس گزاری است.

امیر محسن
امیر محسن

تازه آموزشو خریدم ، بی نهایت خوشحالم
از کی با خودم می گفتم ای کاش استاد شیرافکن دوره یادگیری ماشین بذاره ، واقعا روش تدریس و لحن بیانش نظیر نداره
مرسی از استاد شیرافکن مرسی از فرادرس

حسین شفاهی
حسین شفاهی

این اموزش مانند اموزشهای دیگر اقای شیرافکن برای افراد بسیار اموزنده و عالی هست.

شیرین
شیرین

خیلی کامل است.مدرس بسیار مسلط است. این آموزش من را بی نیاز از هر منبع دیگری کرد. قبلا یک آموزش دیگر گرفته بودم که آن هم خوب بود ولی این آموزش خیلی کامل تر است. فرادرس خیلی به ما شهرستانی ها کمک کرد.

علی
علی

واقعا در بین منابع فارسی بهترین هستش .

شیما
شیما

خیلی عالی. مدرس با حوصله و بیان خوب مسائل سخت را بسیار ساده توضیح می دهد. فرادرس ممنون از قرار دادن این آموزش.

مهسا
مهسا

بسیار عالی - جامع - کاربردی با بیان ساده و روان - بی نظیر در میان تمام آموزش های یادگیری ماشین در وب.

زهره
زهره

با سلام خدمت اساتید محترم، عالی است. با تشکر

مرادی
مرادی

با سلام خدمت اساتید محترم، عالی است. با تشکر

مجید
مجید

سرفصل ها خیلی عالی است مثل همیشه.

نیلوفر
نیلوفر

سلام.

با توجه به این که داده کاوی در بسیاری از علوم و شاخه ها کاربرد دارد، از بهترین آموزش های فرادرس است.

لیلا
لیلا

با توجه به اینکه که داده کاوی طیف وسیعی از مقالات و پایان نامه دانشجویان را شامل می شود من و جمعی از دوستانم برای پایان نامم به شدت به این آموزش احتیاج داشتیم.

سمیه
سمیه

سلام.

من برای پیاده سازی پایان نامه ام خیلی به این آموزش نیاز داشتم.

با تشکر.

علی
علی

عالی است.

درصورت امکان داده کاوی با rapidminer را هم ارائه دهید. ممنونم.

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 ×