×
۸۵,۰۰۰ تومان ۴۲,۵۰۰ تومان

آموزش یادگیری ماشین با پیاده سازی در Python - بخش دوم

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
تضمین کیفیت
۴۷ بازخورد (مشاهده نظرات)
آموزش یادگیری ماشین با پیاده سازی در Python - بخش دوم

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
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


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
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.
این آموزش شامل ۱۲ جلسه ویدئویی با مجموع ۱۰ ساعت و ۳۳ دقیقه است.
با تهیه این آموزش، می‌توانید به همه بخش‌ها و جلسات آن، دسترسی داشته باشید.

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 (نمایش آنلاین + دانلود)
حجم دانلود ۹۱۲ مگابایت (کیفیت ویدئو HD با فشرده سازی انحصاری فرادرس)


تضمین کیفیت و گارانتی بازگشت هزینه
توجه: کیفیت این آموزش توسط فرادرس تضمین شده است. در صورت عدم رضایت از آموزش، به انتخاب شما:
  • ۱۰۰ درصد مبلغ پرداختی در حساب کاربری شما شارژ می‌شود.
  • و یا ۷۰ درصد مبلغ پرداختی به حساب بانکی شما بازگشت داده می‌شود.


آموزش‌های پیشنهادی برای شما



نظرات

تا کنون ۵,۲۰۸ نفر از این آموزش استفاده کرده اند و ۴۷ نظر ثبت شده است.
فرشید شیرافکن
فرشید شیرافکن
مدرس
۱۴۰۰/۰۶/۱۷

سلام.
ترتیب آموزش های اینجانب برای ورود به حوزه یادگیری ماشین ، هوش مصنوعی و data science :
1- پایتون همراه با مثال های عملی
2- شی گرایی در پایتون
3- تجزیه و تحلیل و آماده سازی داده ها با پایتون
4- یادگیری ماشین (بخش اول)
5- یادگیری ماشین (قسمت دوم)
6- گراف کاوی و تحلیل شبکه ها در پایتون با NetworkX

علی
علی
۱۴۰۰/۰۶/۱۵

سلام. ممنون استاد شیرافکن بابت تدریس این دوره عالی برای یادگیری ماشین. کاش دوره های مشابهی برای یادگیری عمیق و یادگیری تقویتی هم تدریس کنید.

محمد
محمد
۱۴۰۰/۰۴/۰۱

استاد شیر افکن بسیار ممنون از این اموزش کاربردی و عالی. استاد برنامه ای برای ارایه کورس یادگیری تقویتی در پایتون دارید یا خیر؟

فرشید شیرافکن
فرشید شیرافکن
مدرس
۱۴۰۰/۰۴/۰۷

سلام. ممنون. درخواست ها زیاد باشد حتما به فرادرس پیشنهاد می دهم.

قاسم
قاسم
۱۴۰۰/۰۳/۲۶

مثل همیشه عالی
انشالا همیشه سلامت باشین

فرشید شیرافکن
فرشید شیرافکن
مدرس
۱۴۰۰/۰۴/۰۷

شما هم سلامت باشید.

علی
علی
۱۴۰۰/۰۲/۱۹

بنده از آموزشهای ایشون برای تحصیل نرم افزار در امریکا استفاده کردم.
از یازده تا آموزشهای ایشون استفاده کردم و همه عالی بودند. کاش برای java، front end و mongo db هم میشد از دانش این استاد گرانقدر در مجموعه فرادرس استفاده کرد

فرشید شیرافکن
فرشید شیرافکن
مدرس
۱۴۰۰/۰۳/۰۳

خیلی ممنون.

سجاد
سجاد
۱۴۰۰/۰۲/۰۷

خوب بود اما متاسفانه این فصل بیشتر تئوری بود تا عملی

فرشید شیرافکن
فرشید شیرافکن
مدرس
۱۴۰۰/۰۲/۰۹

ممنون. البته به نظر من پیاده سازی در هر جا که لازم بود انجام شد.

فرشید شیرافکن
فرشید شیرافکن
مدرس
۱۴۰۰/۰۱/۲۴

سلام.
در پاسخ به مخاطبین عزیزی که ترتیب مطالعه آموزش های مرتبط با برنامه نویسی پایتون را خواسته بودند :
1- آموزش برنامه نویسی پایتون همراه با مثال های عملی
2- آموزش برنامه نویسی شی گرا در پایتون
3- آموزش تجزیه و تحلیل و آماده سازی داده ها با پایتون

فرشید شیرافکن
فرشید شیرافکن
مدرس
۱۴۰۰/۰۱/۰۵

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.
مدرس آموزش

سجاد فرجیان پور
سجاد فرجیان پور
۱۴۰۰/۰۱/۱۵

سلام جناب دکتر
من برای داده کاوی این آموزش رو تهیه کردم. سوالم اینه که نیاز هست مبانی داده کاوی رو بخونم یا توی این آموزش پوشش داده شده؟
ممنون بابت همه زحمات حضرتعالی

علیرضا فغانی
علیرضا فغانی
۱۳۹۹/۱۲/۱۹

تدریس دکتر شیرافکن بی نظیره، بعنوان مخاطب قدیمی فرادرس ضمن تشکر از تمامی مدرسین و عوامل مجموعه باید بگم دکتر شیرافکن و دکتر کلامی فوق العاده تدریس میکنند. جناب شیرافکن منتظر مجموعه
مشابهی برای یادگیری تقویتی از شما هستیم.

فرشید شیرافکن
فرشید شیرافکن
مدرس
۱۴۰۰/۰۱/۱۵

ممنون.
اگر درخواست برای آموزش یادگیری عمیق زیاد شود حتما در صورت نیاز فرادرس ، آموزش می دهم.

محمد اسدالهی
محمد اسدالهی
۱۳۹۹/۱۱/۰۷

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

علیرضا
علیرضا
۱۳۹۹/۱۲/۱۹

کاملا موافق نظر شما هستم.

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

×
فهرست جلسات ۱۲ جلسه ویدئویی
×