Faradars Discount
x عدم نمایش ۵۰٪ تخفیف بزرگترین تخفیف سال ۹۸ ویژه روز دانشجو کد تخفیف: AZAR98 .
Faradars Discount
فرصت باقیمانده

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

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
🕓 مدت زمان: ۱۰ ساعت و ۳۳ دقیقه
🎓 تعداد دانشجو: ۳۴۸ نفر این آموزش را تهیه کرده اند. — ۳۴۸ نفر در یک ماه اخیر

هزینه آموزش: ۳۵,۰۰۰ 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:
  • به صورت رایگان یک یا چند آموزش معادل دیگر دریافت می کنید.
  • 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.

     

    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 نیاز

    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 (Machine Learning) (تئوری و عملی) – بخش دوم
    ناشر فرادرس
    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 (Machine Learning) (تئوری و عملی) – بخش دوم

    هزینه آموزش: ۳۵,۰۰۰ تومان



    سایر آموزش های مهندس فرشید شیرافکن




    دیدگاه ها

    تا کنون ۳۴۸ نفراز این آموزش استفاده کرده اند.
    1. 5 از 5

      :

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


    نظر شما در مورد این فرادرس چیست؟

    پاسخ دهید

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

    امتیاز شما به این آموزش:



​همین امروز شروع به آموختن کنید​

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

هزینه آموزش: ۳۵,۰۰۰ 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