×
۴۱,۰۰۰ تومان ۲۴,۶۰۰ تومان

آموزش یادگیری ماشین با پیاده سازی در Python - بخش دوم

آموزش یادگیری ماشین با پیاده سازی در Python - بخش دوم

تعداد دانشجو
۳,۱۵۱ نفر
مدت زمان
۱۰ ساعت و ۳۳ دقیقه
هزینه عادی آموزش
۴۱,۰۰۰ تومان
در طرح تخفیف
۲۴,۶۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۳۰ بازخورد (مشاهده نظرات)
آموزش یادگیری ماشین با پیاده سازی در Python - بخش دوم

چکیده

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

تعداد دانشجو
۳,۱۵۱ نفر
مدت زمان
۱۰ ساعت و ۳۳ دقیقه
هزینه عادی آموزش
۴۱,۰۰۰ تومان
در طرح تخفیف
۲۴,۶۰۰ تومان

(کسب اطلاعات بیشتر +)
محتوای این آموزش
۳۰ بازخورد (مشاهده نظرات)
مدرس
فرشید شیرافکن

دانشجوی دکتری 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.

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
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. 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: ۱۱ 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: ۸۱ مگابایت -- (کلیک کنید +))

۴. انتخاب ویژگی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۵. تقلیل ابعاد
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. خوشه ‌بندی
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. کشف داده‌ های پرت
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. کاوش قوانین انجمنی
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 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 (لینک دانلود)
حجم دانلود ۷۲۴ مگابایت (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

تا کنون ۳,۱۵۱ نفر از این آموزش استفاده کرده اند و ۳۰ نظر ثبت شده است.
محمد اسدالهی
محمد اسدالهی

اموزش عالی بود. ولی جای یادگیری تقویتی خیلی خالی هست بویژه که هیچ منبع فارسی برای اون نداره اگه این رو هم جناب شیر افکن به همین سبک لطف کنن و تهیه کنند خیلی عالی میشه

امین
امین

آموزش بسیار عالی بود
به طور کلی نه فقط برای پایتون که به نظرم برای بقیه زبان های برنامه نویسی هم مفاهیم کلی که تدریس شد مفید و قابل استفاده هستن
تسلط مدرس به مباحث و فن بیان و توانایی انتقال بسیار عالی بود و آموزش کامل پایه ای و جامع بود و از دیدنش واقعا لذت بردم
با تشکر از آقای دکتر شیرافکن

pouyan.mw
pouyan.mw

موافقم ایمان‌جان. جناب شیرافکن یکی از بهترین اساتیدی هست که تا به حال دیدم. یک جوری آموزش می‌ده که شما صفر هم باشید، آموزش که تموم شد می‌تونید ادعا کنید که تا حدود بالایی به اون مبحث تسلط پیدا کردید. وقتی دانشجوی کارشناسی بودم چند بار پیش اومد که در طول ترم سر یک کلاس حاضر نشم و درس رو هم نخونم، اما تنها یکی-دو روز پیش از امتحان بشینم آموزش ایشون مال همون درس رو ببینم و نه تنها یاد بگیرم بلکه از امتحان هم نمره‌ی خوبی بیارم! چندین بار به همین شکل، ایشون شد فرشته‌ی نجات بنده! ☺

سیدرضی
سیدرضی

بیانشون خیلی خوب بود. از نظر محتوایی هم خیلی برام جالب و کاربردی بود.

فرشید شیرافکن
فرشید شیرافکن

سلام- آقا پویای عزیز.
آموزش پایتون تحت عنوان" آموزش پایتون همراه با مثالهای عملی" منتشر شد.

نرگس
نرگس

من هر دو بخش این آموزش رو تهیه کردم و بی نهایت مفید و عالی بودن. فن بیان عالی. من قبلا از فرا درس اموزش ماشین لرنینگ دیگری گرفته بودم اما اون خیلی خسته کننده بود و مطالب تئوری بودند. این اموزش هم مطالب راحت بیان شده بودند و هم با ارائه مثال و تمرین از پایتون همه چی قابل فهم و ساده شده بود. خیلی خیلی ممنون از ایشان که به سادگی موضوع کمک کردند.

حسین قندریان
حسین قندریان

با سلام خدمت استاد عزیز . بسیار از آموزش لذت بردم و عمیقا مفاهیم را درک کردم.

توحید
توحید

آموزش بسیار مفید هست و با شیوه بسیار عالی ارائه شده
امیدوارم در آینده نزدیک آموزش انواع رگرسیون مثل MLR , PLS هم ارائه بشه توسط استاد گرامی

سپهر
سپهر

استاد شیرافکن واقعا عالی هستند، استاد منم بودن قبلا. آموزش بی نظیری بود.

ایمان
ایمان

آقای دکتر شیرافکن یکی از بهترین مدرسای فرادرس هستند انگار سر کلاس حضوری نشستی و داری یاد میگیری.

وریا
وریا

سلام
این آموزش همراه با قسمت دوم دیدم مباحث واقعا کاربردی و مفید هست.

یونس
یونس

انتقال مطلب قوی دارند و این نکته برای من خیلی اهمیت داره

پویا
پویا

سلام و وقت بخیر
بخش های 1 و 2 این آموزش دیدم مطالب واقعا عالی هستش اما ای کاش یه مقدار در مورد پایتون توضیح میدادن.

مصطفی
مصطفی

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

فرشيد شيرافكن
فرشيد شيرافكن

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 .

مسلم
مسلم

فوق العاده بود.

مهمان
مهمان

عالی

مسلم
مسلم

عالی. استاد شیر افکن بهترین هستند.

محمد قدیر
محمد قدیر

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

فروغ
فروغ

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.

نیما
نیما

این آموزش از نظر مطالب و مدرس میتونم بگم عالی بود

فرشید شیرافکن
فرشید شیرافکن

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.

علی
علی

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

مهرداد
مهرداد

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

پرویز
پرویز

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 100 به این دوره آموزشی 100 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.

محمدرضا
محمدرضا

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

محسن
محسن

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

محمد
محمد

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

سپنتا
سپنتا

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

شیرین
شیرین

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

دسته‌بندی موضوعی: داده کاوی | یادگیری ماشین

برچسب‌ها:
averaged link | BDS | Bootstrap aggregating | centroid | complete link | Confidence | DBSCAN | Ensemble Learning | Feature Extractoin | Feature Selection | fvdm9406 machine-learning 1 | fvdm94062 machine-learning-2 | Graphbased | k-d tree | knn برای پیشگویی عددی | LDA | LRS | Machine Learning | Partitional Clustering | PCA | SBS | SFFS | SFS | single link | SSE | Support | آزمون آماری T | آموزش بدون نظارت | احتمال توام در شبکه DAG | ارزیابی قوانین انجمنی | استخراج ویزگی با روش PCA | استخراج ویژگی | استراتژی انتخاب K | استراتژی جستجو | اصلاح لاپلاسین | اطمینان | اعمال PCA بر روی تصاویر | الگوریتم AdaBoost | الگوریتم Apriori | الگوریتم KMeans | الگوریتم KNN | الگوریتم استخراج ویژگی با نظارت | الگوریتم استخراج ویژگی بدون نظارت | الگوریتم کشف آنومالی | الگوریتم های خوشه بندی | الگوریتم های فرا ابتکاری | انتخاب K مناسب | انتخاب تعداد کلاسترها | انتخاب کلاسترها | انتخاب ویژگی | اندازه k در مرز تصمیم | انواع داده های پرت | بردار و مقدار ویژه | بیان مساله کاوش قوانین انجمنی | پشتیبانی | تجزیه مقدارهای منفرد | تجسم داده ها | تحلیل سبد خرید | تحلیل عناصر اصلی | تشخیص داده پرت | تشخیص داده پرت با نظارت | تشخیص داده پرت بدون نظارت | تقلیل ابعاد | تقلیل ابعاد و کاربردهای آن | تکنیک های instance based | خطای آموزش | خوشه بندی | خوشه بندی افرازی | خوشه بندی تجمعی | خوشه بندی تقسیمی | خوشه بندی سلسله مراتبی | خوشه بندی مبتنی بر چگالی | داده پرت | داده پرت جمعی | داده پرت زمینه ای | داده پرت سراسری | داده های پرت به کمک BoxPlot | دترمینان ماتریس | درس یکم: دسته بندی بیز | دسته بندی K نزدیکترین همسایه | دسته بندی Random Forest | دیاگرام Voronoi | روش Bagging | روش Boosting | روش Bootstrap | روش DBSCAN | روش Kmeans | روش آرنجی | روش دسته بند Wrapper | روش فیلتر | روش مبتنی بر خوشه بندی | روش مبتنی بر دسته بندی | روش مبتنی بر نزدیکی | سیستم های کشف آنومالی | شاخص Rand | شبکه DAG | شبکه باور بیز | فاصله دو کلاستر | قانون قوی | قضیه بیز - تعمیم قضیه بیز | قوانین انجمنی قابل استخراج | کاربردهای خوشه بندی | کاوش قوانین انجمنی | کرنل PCA | کشف داده های پرت | ماتریس قطری و متعامد | ماتریس کواریانس | مثال | مثال جالب برای KMeans | مدل گوسین چند متغیره | مرز تصمیم | مشکل بهینه محلی | معرفی KNN | معیار Matual information | معیار شباهت در مرز تصمیم | معیار شباهت کسینوس | معیارهای ارزیابی بدون ناظر | معیارهای شباهت | مقدمه ای بر احتمال – احتمال شرطی | مقدمه ای بر انتخاب ویژگی | نقاط حاشیه ای | نقاط نویزی | نقاط هسته ای | نمودار دندروگرام | نمونه برداری | نویز | هرس قانون | همگرایی Kmeans | هیستوگرام | یادگیری جمعی
مشاهده بیشتر مشاهده کمتر