Faradars Discount
x عدم نمایش ۴۰٪ تخفیف جشنواره کتاب و کتابخوانی فرادرس کد تخفیف: ABAN98 .
فرصت باقیمانده

آموزش یادگیری ماشین (Machine Learning) (تئوری و عملی) – بخش دوم – پیش ثبت نام

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها
آموزش یادگیری ماشین (Machine Learning) (تئوری و عملی) - بخش دوم

درباره ناشر

فرادرس
فرادرس

فرادرس بزرگ‌ترین ناشر دیجیتال آموزش‌های تخصصی، دانشگاهی و مهندسی است.

درباره مدرس

مهندس فرشید شیرافکن
مهندس فرشید شیرافکن

عضو هیأت علمی فرادرس

دانشجوی دکترای تخصصی بیو انفورماتیک


مهندس فرشید شیرافکن دارای مدرک کارشناسی ارشد مهندسی کامپیوتر گرایش نرم افزار بوده و در حال حاضر دانشجوی دکترای بیوانفورماتیک دانشگاه تهران هستند. ایشان از مدرسین نمونه در زمینه ارائه و آموزش دروس دانشگاهی انتخاب شده اند. (+)



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.

👤 مدرس: مهندس فرشید شیرافکن
روش دریافت: صرفا از طریق لینک دانلود (بدون بسته فیزیکی)

وضعیت انتشار در مرحله انتشار
زمان تقریبی انتشار ۱ تا ۴ هفته (برای ۹۰ درصد آموزش‌های این مرحله)

درخواست اطلاع رسانی انتشار این آموزش

این آموزش در آخرین مراحل انتشار است و به زودی در فرادرس ارائه عمومی آن آغاز خواهد شد. شما می توانید با وارد کردن ایمیل خود، در اولین زمان، از انتشار نهایی این آموزش مطلع شوید.

مزایای درخواست اطلاع رسانی انتشار:

  • مطلع شدن از انتشار آموزش در اولین زمان پس از انتشار
  • دادن بیشترین اولویت انتشار به آموزش های مورد نظر خود (آموزش های با بیشترین پیش ثبت نام، با اولویت بیشتری منتشر می شوند)
  • دریافت تخفیف ویژه به هنگام انتشار، مختص افرادی که درخواست اطلاع رسانی در یک آموزش داشته اند.




    توضیحات

    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.

     

    فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
    • درس یکم: دسته بندی بیز
      • مقدمه ای بر احتمال – احتمال شرطی
      • قضیه بیز – تعمیم قضیه بیز
      • مثال
      • اصلاح لاپلاسین
      • شبکه باور بیز
      • احتمال توام در شبکه DAG
      • مثال
    • درس دوم: دسته بندی K نزدیک ترین همسایه
      • معرفی KNN با چند مثال
      • الگوریتم KNN
      • تکنیک های Instance – Based
      • مرز تصمیم – دیاگرام Voronoi
      • تاثیر اندازه K در مرز تصمیم
      • معیارهای شباهت
      • استفاده از معیار شباهت کسینوس
      • تاثیر معیار شباهت در مرز تصمیم
      • استراتژی انتخاب K
      • استفاده از KNN برای پیشگویی عددی
      • استفاده از KD – Tree
    • درس سوم: یادگیری جمعی (Ensemble Learning)
      • نمونه برداری با روش Bootstrap
      • روش Bagging
      • دسته بندی Random Forest
      • روش Boosting
      • الگوریتم AdaBoost
      • مثال جامع برای الگوریتم AdaBoost
      • خطای آموزش
    • درس چهارم: انتخاب ویژگی
      • مقدمه ای بر انتخاب ویژگی
      • روش فیلتر
      • معیار Mutual information
      • روش دسته بند Wrapper
      • استراتژی های جستجو
        • SFS
        • SBS
        • BDS
        • LRS
        • SFFS
      • آزمون آماری t
      • انتخاب ویژگی با الگوریتم های فراابتکاری
    • درس پنجم: تقلیل ابعاد
      • مقدمه ای بر تقلیل ابعاد
        • ماتریس قطری و متعامد
        • دترمینان ماتریس
        • بردار و مقدار ویژه
        • تجزیه مقدارهای منفرد
        • ماتریس کواریانس
      • تقلیل ابعاد و کاربردهای آن
      • تجسم داده ها
      • مقایسه استخراج ویژگی (Feature Extractoin) و انتخاب ویژگی (Feature Selection)
      • الگوریتم استخراج ویژگی با نظارت LDA
      • تحلیل عناصر اصلی
      • الگوریتم استخراج ویژگی بدون نظارت PCA
      • بررسی چندین مثال برای استخراج ویزگی با روش PCA
      • اعمال PCA بر روی تصاویر
      • انتخاب K مناسب
      • کرنل PCA
    • درس ششم: خوشه بندی
      • مقایسه آموزش با نظارت با آموزش بدون نظارت
      • کاربردهای خوشه بندی
      • خوشه بندی افرازی (Partitional Clustering)
      • توضیح روش K – Means به همراه چند مثال ساده
      • الگوریتم K – Means
      • همگرایی K – Means
      • مشکل بهینه محلی
      • انتخاب کلاسترها (روش آرنجی)
      • نقاط قوت و ضعف روش K – Means
      • مثال جالب برای K – Means
      • خوشه بندی سلسله مراتبی (تجمعی و تقسیمی)
      • نمودار دندروگرام (Dendrogram)
      • فاصله دو کلاستر
        • Single – Link
        • Complete – Link
        • Averaged – Link
        • Centroid
      • مثال
      • انتخاب تعداد کلاسترها
      • خوشه بندی مبتنی بر چگالی
      • روش DBSCAN
      • نقاط حاشیه ای، هسته ای و نویزی
      • مزایا و معایب DBSCAN
      • ارزیابی الگوریتم های خوشه بندی
      • شاخص Rand
      • معیارهای ارزیابی بدون ناظر
        • Graph – based
        • SSE
    • درس هفتم: کشف داده های پرت
      • داده پرت – نویز
      • انواع داده های پرت
        • سراسری
        • جمعی
        • زمینه ای
      • روش های تشخیص داده های پرت
        • با نظارت
        • بدون نظارت
      • کشف داده های پرت
        • با روش مبتنی بر خوشه بندی
        •  با روش مبتنی بر نزدیکی
        •  با روش مبتنی بر دسته بندی
        • با Box plot
        • با هیستوگرام
      • الگوریتم کشف آنومالی (موارد غیرمتعارف)
      • ساخت و ارزیابی سیستم های کشف آنومالی
      • مدل گوسین چند متغیره
    • درس هشتم: کاوش قوانین انجمنی
      • تحلیل سبد خرید
      • بیان مساله کاوش قوانین انجمنی
      • پشتیبانی (Support)
      • اطمینان (Confidence)
      • قانون قوی
      • الگوریتم Apriori
      • مثال
      • هرس قانون
      • محاسبه تعداد کل قوانین انجمنی قابل استخراج
      • ارزیابی قوانین انجمنی


    اطلاعات تکمیلی

    نام آموزش آموزش یادگیری ماشین (Machine Learning) (تئوری و عملی) – بخش دوم – پیش ثبت نام
    ناشر فرادرس
    کد آموزش FVDM94062
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)



    سایر آموزش های مهندس فرشید شیرافکن




    دیدگاه ها

    نظر شما در مورد این فرادرس چیست؟

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

    امتیاز شما به این آموزش:




درخواست اطلاع رسانی انتشار این آموزش

این آموزش در آخرین مراحل انتشار است و به زودی در فرادرس ارائه عمومی آن آغاز خواهد شد. شما می توانید با وارد کردن ایمیل خود، در اولین زمان، از انتشار نهایی این آموزش مطلع شوید.

مزایای درخواست اطلاع رسانی انتشار:

  • مطلع شدن از انتشار آموزش در اولین زمان پس از انتشار
  • دادن بیشترین اولویت انتشار به آموزش های مورد نظر خود (آموزش های با بیشترین پیش ثبت نام، با اولویت بیشتری منتشر می شوند)
  • دریافت تخفیف ویژه به هنگام انتشار، مختص افرادی که درخواست اطلاع رسانی در یک آموزش داشته اند.



برچسب‌ها: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

دسته های مرتبط: ,


فرادرس در رسانه ها و جشنواره ها

روزنامه ایرانیان مرکز توسعه فناوری اطلاعات و رسانه های دیجیتال روز آفرین نت استارت کنفرانس مهندسی برق ایران جشنواره وب ایران