آموزش یادگیری ماشین با پیاده سازی در Python – بخش دوم

دسترسی به اطلاعات این آموزش: اطلاعات کلی محتوا و سرفصل ها پیش نمایش و دانلود اطلاعات تکمیلی دیدگاه ها
آموزش یادگیری ماشین با پیاده سازی در Python - 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 بیوانفورماتیک


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
🕓 مدت زمان: ۱۰ ساعت و ۳۳ دقیقه
🎓 تعداد دانشجو: ۱,۷۸۳ نفر این آموزش را تهیه کرده اند. — ۳۹ نفر در یک ماه اخیر

هزینه آموزش: ۳۷,۰۰۰ تومان




آنچه شما در این فرادرس خواهید دید:
آموزش ویدئویی مورد تایید فرادرس
فایل برنامه ها و پروژه های اجرا شده در حین آموزش
فایل PDF یادداشت های مدرس در حین آموزش

تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • بازگشت و شارژ کل مبلغ پرداختی در حساب کاربری
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می شود.
    (توضیحات بیشتر +)
دانلود آنی
فعال‌سازی آنی لینک دانلود، بلافاصله پس از ثبت سفارش


    توضیحات

    چکیده آموزش


    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

    پیش نمایش

    پیش نمایش ۱ : دسته‌ بندی بیز - ۱۰ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۱۱ مگابایت (کلیک کنید +)

    پیش نمایش ۲ : دسته ‌بندی K نزدیک ‌‎ترین همسایه - ۱۴ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم پیش نمایش - حجم دانلود ۱۵ مگابایت (کلیک کنید +)

    بخش ۳ : یادگیری جمعی - ۷۴ دقیقه


    توجه: ممکن است که به خاطر سرعت پایین اینترنت شما، نمایش آنلاین با کیفیت پایین تر از کیفیت HD ویدئوی اصلی نمایش داده شوند. در این صورت آموزش را دانلود کرده و سپس مشاهده نمایید.

    دانلود مستقیم - حجم دانلود ۸۱ مگابایت (کلیک کنید +)

    پیش نمایش ۴ : انتخاب ویژگی - ۱۲ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    بخش ۵ : تقلیل ابعاد - ۶۱ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۶ : خوشه ‌بندی - ۱۴ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    بخش ۷ : کشف داده‌ های پرت - ۴۸ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.

    پیش نمایش ۸ : کاوش قوانین انجمنی - ۱۲ دقیقه


    مشاهده آنلاین و یا دانلود رایگان این پیش نمایش، نیازمند عضویت و ورود به سایت (+) است.


    آموزش‌های پیشنهادی و مرتبط




    اطلاعات تکمیلی

    نام آموزش آموزش یادگیری ماشین با پیاده سازی در Python – بخش دوم
    ناشر فرادرس
    شناسه اثر ۸-۱۲۴۵۲-۰۷۲۸۵۷ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
    کد آموزش FVDM94062
    مدت زمان ۱۰ ساعت و ۳۳ دقیقه
    زبان فارسی
    نوع آموزش آموزش ویدئویی     (کیفیت HD - مورد تایید فنی فرادرس)
    حجم دانلود ۷۲۴ مگابایت     (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


    ​راهنمای تهیه آموزش ها

    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

    با شروع یادگیری، یک کلیک فاصله دارید. همین حالا شروع کنید.

    آموزش یادگیری ماشین با پیاده سازی در Python – بخش دوم

    هزینه آموزش: ۳۷,۰۰۰ تومان




    دیدگاه ها

    ( امتیاز ۴٫۸ از ۵ )
    4.8 از 5


    تا کنون ۱۷۸۳ نفراز این آموزش استفاده کرده اند و ۱۲ نظر ثبت شده است.
    1. 5 از 5

      :

      بخش اول که خیلی عالی است. استاد شیرافکن خیلی خوب توضیح می دهند و مثال زیاد حل می کنند.

    2. 0 از 5

      :

      عالی……………… بسیار روان و مسلط توضیح می دهند آقای شیرافکن.

    3. 5 از 5

      :

      با سلام
      فن بیان و جا انداختن مطلب استادشیرافکن نمونه است، سایر آموزشهای ایشون رو هم از فرادرس تهیه کردم.
      من ارشد نرم افزار هستم ممنون میشم استاد شیرافکن هر چه بیشتر در زمینه های مورد مطالعشون تولید محتوا کنند، با توضیحات ایشون بسیار درک مطلب ساده‌تر وانتقال مطالب سریعتر میشود.
      خداوند ایشون و فرادرس را در مسیرتون یاری کند

    4. 5 از 5

      :

      با سلام . من بخش اول و بخش دوم رو تهیه کردم و نکاه کردم . دوره بسیار بسیارمفیدی بود . و برای پایان نامه ارشدم خیلی کمک کرد . مدرس این دوره به این درس کاملا مسلط هست

    5. 4 از 5

      :

      خسته نباشید
      آموزش خوبی بود و مطالب خوبی تدریس شده در این آموزش

    6. 5 از 5

      :

      با سلام
      من بخش اول این رو تهیه کرده بودم که بسیار عالی تدریس شده است. بخش دوم رو هم تهیه کردم و انتظاری که از این دوره داشتم برآورده شد بنده روی کا، نزدیکترین همسایه کار می کنم که در این دوره آموزشی کا نزدیکترین همسایه بصورت کامل تحت پوشش قرار داده شده است .
      از ۱۰۰ به این دوره آموزشی ۱۰۰ میدم چون این دوره توسط یکی از بهترین مدرسان فرادرس تدریس شده که فن بیان عالی و تسلط روی موضوع دارند. در کل از خرید دوره های دکتر شیرافکن راضیم. امیدوارم از این مدرس گرانقدر دوره های دیگری هم ارائه گردد.

    7. 4 از 5

      :

      بیان مدرس، نحوه تدرس و میزان تسلط مدرس خوب بود. مباحث تئوری و عملی در کنار هم بود خیلی عالیه هست.

    8. 3 از 5

      :

      کلیات خوب بود و مباحث جامع بود ولی مثال های ارائه شده ساده بود و تقریبا هر جایی میتونیم اون پیدا کنیم. اگر ممکن آموزش تو مرحله پیش رفته تر و با مثال های پیچیده تر ارائه کنید

    9. 0 از 5

      :

      سلام به مخاطبین گرامی:
      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.

    10. 4 از 5

      :

      این آموزش از نظر مطالب و مدرس میتونم بگم عالی بود

    11. 0 از 5

      :

      با سلام.
      من هر دو دوره را تهیه و مطالعه نمودم. با توجه به اینکه رشته دانشگاهی من کامپیوتر نیست اما آموزش برای من بسیار روان و قابل فهم بود. استاد شیرافکن به موضوع درس کاملا مسلط هستند و آموزش به همراه کدهای مربوط به هر درس فراهم شده است. بسیار خرسند هستم که این مجموعه آموزشی را تهیه کردم و آن را به تمامی علاقه مندان به یادگیری ماشین توصیه میکنم. با سپاس فراوان از دکتر شیرافکن و تیم فرادرس.

    12. 0 از 5

      :

      با سلام و خسته نباشید
      من بخش اول این آموزش رو کامل دیدم و بخش دومش رو تازه میخوام شروع کنم، بخش اول که خودم دیدم به معنای واقعی فوق العاده بود و برای من که رشتم عمرانه خیلی قابل فهم و روان بود. قشنگ مشخصه که برای این آموزش وقت گذاشته شده و من هیچ جایی تا حالا نظری ندادم ولی لازم دونستم بیام اینجا و بگم که اگه کسی میخواد یادگیری ماشین رو شروع کنه هیچ شکی نداشته باشه که با این آموزش میتونه قشنگ راه بیفته…
      امیدوارم که استاد عزیز در تمام مراحل زندگیشون موفق باشن و شاهد آموزش های بیشتری ازشون باشیم…

      با تشکر

    13. 5 از 5

      :

      عالی

    14. 5 از 5

      :

      سلام. پیشنهاد می کنم آموزش گراف کاوی و تحلیل شبکه ها در پایتون با NetworkX را به عنوان یک آموزش کاربردی برای انجام کارهای تحقیقاتی مشاهده کنید.
      فرشید شیرافکن مدرس آموزش یادگیری ماشین و گراف کاوی .

    15. 5 از 5

      :

      سلام. آقای دکتر شیرافکن، لطفا آموزش شبکه عصبی SOM رو هم ارائه بفرمایین. متشکریم.

    16. 5 از 5

      :

      این دو مجموعه، برای من خیلی مفید بود. از شما سپاسگزارم.


    نظر شما در مورد این فرادرس چیست؟

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

    امتیاز شما به این آموزش:



​همین امروز شروع به آموختن کنید​

آموزش یادگیری ماشین با پیاده سازی در Python – بخش دوم

هزینه آموزش: ۳۷,۰۰۰ تومان


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