~~۸۵,۰۰۰ تومان~~ ۴۲,۵۰۰ تومان

آموزش یادگیری ماشین با پیاده سازی در Python - بخش دوم

تعداد دانشجو

۵,۲۰۸ نفر

مدت زمان

۱۰ ساعت و ۳۳ دقیقه

هزینه عادی آموزش

~~۸۵,۰۰۰ تومان~~

در طرح تخفیف

۴۲,۵۰۰ تومان (کسب اطلاعات بیشتر +)

محتوای این آموزش

(توضیحات)

تضمین کیفیت

✅ (توضیحات)

۴۷ بازخورد (مشاهده نظرات)

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 دوم

مدت زمان

۱۰ ساعت و ۳۳ دقیقه

هزینه عادی آموزش

~~۸۵,۰۰۰ تومان~~

در طرح تخفیف

۴۲,۵۰۰ تومان

(کسب اطلاعات بیشتر +)

محتوای این آموزش

(توضیحات)

۴۷ بازخورد (مشاهده نظرات)

مدرس

دکتر فرشید شیرافکن

دکتری تخصصی 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 بخش اول آموزش 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: 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 K-D 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 بندی 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 ویژگی 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

مفید برای رشته های

مهندسی کامپیوتر

پیش نیاز

آموزش یادگیری ماشین با پیاده سازی در Python - بخش اول

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. دسته‌ بندی بیز

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: ۱۲ مگابایت -- (کلیک کنید +))

۲. دسته ‌بندی K نزدیک ‌‎ترین همسایه

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: ۱۵ مگابایت -- (کلیک کنید +))

۳. یادگیری جمعی

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: ۸۲ مگابایت -- (کلیک کنید +))

۴. انتخاب ویژگی