هزینه آموزش
۳۴,۰۰۰ تومان

آموزش یادگیری ماشین (Machine Learning) با پایتون (Python)

آموزش یادگیری ماشین (Machine Learning) با پایتون (Python)

تعداد دانشجو
۱۰,۰۰۲ نفر
مدت زمان
۱۰ ساعت
هزینه آموزش
۳۴,۰۰۰ تومان
محتوای این آموزش
۸۶ بازخورد (مشاهده نظرات)
آموزش یادگیری ماشین (Machine Learning) با پایتون (Python)

امروزه، یادگیری ماشین در اکثر صنایع و کسب و کارها مورد استفاده قرار می گیرد و تصمیمات بسیار تأثیرگذار دنیای امروز بر اساس پردازش ها و نتایج به دست آمده از یادگیری ماشین است. همچنین زبان برنامه نویسی پایتون (Python) با رشد و گسترده تر شدن روزافزون جامعه کاربری اش، بستر بسیار مناسبی جهت فعالیت های یادگیری ماشین را فراهم کرده است.

آموزش یادگیری ماشین (Machine Learning) با پایتون (Python)

تعداد دانشجو
۱۰,۰۰۲ نفر
مدت زمان
۱۰ ساعت
هزینه آموزش
۳۴,۰۰۰ تومان
محتوای این آموزش
۸۶ بازخورد (مشاهده نظرات)
مدرس
سعید مظلومی راد

دانشجوی کارشناسی ارشد مهندسی عمران – سازه

سعید مظلومی راد در حال حاضر دانشجوی کارشناسی ارشد عمران گرایش سازه در دانشگاه آزاد مشهد هستند. ایشان علاقه مند به فعالیت در حوزه هوش مصنوعی و آنالیز داده هستند.

توضیحات تکمیلی

امروزه، یادگیری ماشین در اکثر صنایع و کسب و کارها مورد استفاده قرار می گیرد و تصمیمات بسیار تاثیرگذار دنیای امروز بر اساس پردازش ها و نتایج به دست آمده از یادگیری ماشین است. همچنین زبان برنامه نویسی پایتون (Python) با رشد و گسترده تر شدن روزافزون جامعه کاربری اش، بستر بسیار مناسبی جهت فعالیت های یادگیری ماشین را فراهم کرده است.

در این فرادرس سعی داریم در ابتدا بسته های شناخته شده پایتون را معرفی و سپس کار با توابع آن ها را بیاموزیم و در انتها، مباحث یادگیری ماشین را با مثال های متعدد در پایتون فرا بگیریم.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: مقدمه ای در رابطه با یادگیری ماشین
    • یادگیری ماشین چیست؟
    • کاربردهای فعلی یادگیری ماشین
    • خطرات هوش مصنوعی
    • مرور مطالب دوره
    • آشنایی با ژوپیتر نوت بوک
  • درس دوم: آشنایی با بسته NumPy
    • آشنایی با Array و Matrix ها
    • عملگرهای محاسباتی
    • آشنایی با Broadcasting
    • اعداد تصادفی
    • دنباله ها
    • کار با مجموعه ها
    • کار با چند جمله ای ها
  • درس سوم: آشنایی با بسته Pandas
    • انواع دیتا استراکچرها در پانداز
    • ایجاد سری ها
    • اندیکس ها و مقادیر در سری ها
    • ایجاد دیتافریم ها (Data Frames)
    • ایندکس ها و مقادیر در دیتافریم ها
    • ویرایش دیتافریم ها
    • ریست کردن، تغییر نام، مرتب کردن ایندکس ها
    • اعمال تابع به دیتافریم ها
  • درس چهارم: ترسیم داده ها
    • آشنایی با بسته matplotlib
    • آشنایی با Line Plot
    • آشنایی با Scatter Plot
    • آشنایی با Histogram Plot
    • آشنایی با Pie Chart
    • ویرایش نمودارها
    • رسم چند نمودار روی هم
    • رسم چند نمودار در کنار هم
    • آشنایی با بسته seaborn
    • آشنایی با Strip Plot
    • آشنایی با Swarm Plot
    • آشنایی با Box Plot
    • آشنایی با Joint Plot
    • آشنایی با Pair Plot
  • درس پنجم: آشنایی مقدماتی با مباحث آماری
    • آشنایی با نمودار Bar Plot و تفاوت های آن با Histogram
    • آشنایی با نمودار ECDF) Empirical distribution function)
    • میانه، میانگین، صدک، واریانس، انحراف معیار
    • کواریانس و ارتباط بین متغیرها
    • ضریب پیرسون
    • آشنایی با بسته SciPy
    • ضریب همبستگی رتبه ای اسپیرمن
    • تست کای اسکوئر Chi Square
    • فرضیه صفر و فرضیه مقابل
    • آشنایی با P-Value
    • آشنایی با مفهوم احتمال
    • تولید اعداد شبه تصادفی
    • آشنایی با Random Walk
    • آشنایی با توزیع نرمال
  • درس ششم: پیش پردازش داده ها
    • کار با مجموعه داده اطلاعات کشورها
    • داده های خالی (Missing Values)
    • داده های تکراری (Duplicated Values)
    • الحاق دو دیتافریم به یکدیگر (Concatenating)
    • آشنایی با Cross Tabulation
    • آشنایی با Pivot Table
    • آشنایی با Dummy variables
    • نرمال کردن داده ها
    • داده های پرت Outliers)‎)
  • درس هفتم: یادگیری نظارت شده
    • آشنایی با مفهوم یادگیری نظارت شده و انواع روش های آن
    • آشنایی با دیتاست آیریس (Iris)
    • طبقه بندی با استفاده از الگوریتم KNN
    • بررسی روش های مختلف محاسبه فاصله
    • ارزیابی مدل
    • آشنایی با Overfitting و Underfitting
    • طبقه بندی با استفاده از الگوریتم Decision Tree
    • رگرسیون
    • آشنایی با دیتاست Boston House Prices
    • آشنایی با Mean squared error
    • تکنیک K-fold Crossover Validation
    • آشنایی با Regularization Regression
    • آشنایی با Ridge Regression
    • آشنایی با Lasso Regression
    • آشنایی با Confusion Matrix
    • آشنایی با دیتاست Wisconsin Breast Cancer
    • طبقه بندی با استفاده از Logistic Regression
    • آشنایی با ROC Curve و AUC
    • بهینه سازی هایپر پارامترها
    • آشنایی با Grid Search Cross-validation و Randomized Search Cross-validation
    • آشنایی با قضیه بیز
  • درس هشتم: یادگیری غیر نظارت شده
    • آشنایی با مفهوم یادگیری غیر نظارت شده
    • خوشه بندی با استفاده از K-Means
    • ارزیابی مدل
    • آشنایی با مفهوم اینرسی
    • خوشه بندی با استفاده از Hierarchical Clustering
    • خوشه بندی با استفاده از Mean Shift
    • خوشه بندی با استفاده از DBSCA
  • درس نهم: کاهش ابعاد
    • آشنایی با PCA
    • از بین بردن همبستگی بین متغیرها
    • بعد ذاتی
    • آشنایی با SVD
    • آشنایی با SparseArray و TFIDF
    • خوشه بندی متن ها
    • آشنایی با NMF
    • کاهش ابعاد متن، اعداد، تصاویر
    • ساخت یک سیستم توصیه گر (Recommender system)

مفید برای رشته‌های
  • 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

نرم افزارهای مرتبط با آموزش

Jupyter Notebook



پیش نمایش‌ها

۱. مقدمه ای در رابطه با یادگیری ماشین

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: ۱۳ مگابایت -- (کلیک کنید +))

۲. آشنایی با بسته NumPy

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: ۶ مگابایت -- (کلیک کنید +))

۳. آشنایی با بسته Pandas

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: ۴ مگابایت -- (کلیک کنید +))

۴. ترسیم داده ها

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: ۸ مگابایت -- (کلیک کنید +))

۵. آشنایی مقدماتی با مباحث آماری
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. پیش پردازش داده ها
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. یادگیری نظارت شده (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. یادگیری نظارت شده (ب)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. یادگیری نظارت شده (پ)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. یادگیری غیر نظارت شده
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۱. کاهش ابعاد (الف)
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۲. کاهش ابعاد (ب)
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 (Machine Learning) با پایتون (Python)
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۶۲۴۱۷ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVML9606
مدت زمان ۱۰ ساعت
زبان فارسی
نوع آموزش آموزش ویدئویی (لینک دانلود)
حجم دانلود ۳۹۱ مگابایت (کیفیت ویدئو HD‌ با فشرده سازی انحصاری فرادرس)


نظرات

تا کنون ۱۰,۰۰۲ نفر از این آموزش استفاده کرده اند و ۸۶ نظر ثبت شده است.
مهدی مهرپرور
مهدی مهرپرور

فقط از لحاظ گرافیکی عالی بود
از نظر تدریس ضعیف جوری بود که انگار بسیاری از مسایل رو سرسری رد کردن
سعی کنید ارتقا بدید

حسام نجاتی
حسام نجاتی

به نسبت آموزشهای مشابه در فرادرس استاد خیلی روان و قابل فهم توضیح میدن. تو این حوزه این دروره رو پیشنهاد میکنم.

صحرا
صحرا

سلام وقت بخير ، خيلي ممنون بابت آموزش خيلي خوبتون ، عالي بود . يك سوال دارم اين ديتاست Boston و breast canser را از كجا تهيه كنيم ؟؟
مربوط به درس هشت و نه

zahra
zahra

داخل خود sci ket learn هست. همون دستوری که در فیلم کلاس گفته شده.

رضا
رضا

از بابت نحوه اموزش و طراحی گرافیکی اموزش عالی بود

حیدر
حیدر

آموزش خیلی خوبی هستش . مطالب خیلی خوب طرح میشن و مطالبی مثل دسته بندی انواع گیاهان جزو اولین مباحثی هست که آموزش داده میشه ولی ای کاش موضوعاتی مثل یادگیری عمیق هم مطرح میشد.
ممنونم

مهسا
مهسا

در پاسخ به دوست گرامی، خانم آرزو؛ از آموزش یادگیری ماشین استاد شیرافکن استفاده کنید.

آرزو
آرزو

میخاستم بپرسم که اگر این آموزش رو تهیه کنم میتونم برنامه ایی مثل دسته بندی دیتاست انواع گیاهان رو انجام بدم؟؟؟ لطفا جوابم رو بدید

hmz_arab
hmz_arab

سلام
بسیار عالی و فوق العاده
با بیانی شیوا و رسا و تسلط کافی
متظر دوره های تکمیلی تر آقای مهندس مظلومی راد هستم....

احسان
احسان

اگر چند تا تمرین آخر دوره وجود داشت که آدم بتونه خودشو بسنجه خیلی بهتر می‌شد.

در کل آموزش خوبیه، مخصوصا برای کسایی که دنبال پیاده سازی هستن نه دنبال تئوری قضیه.

مصطفی
مصطفی

فوق العاده بود! واقعا خسته نباشید میگم به استاد عزیز

نیما
نیما

با سلام استاد عزیز مظلومی راد
استاد کارتون عالی بود واقعا طرز اموزش و گفتار تدریس عالیه
استاد لطفا لطفا دوره پیشرفته تر و تکمیلی و با جزییات بیشتر خودتون تدریس کنید
و وقت بذارید عالی میشه
این دوره دیدم عالی بود و اگر دوره پیشرفته تر رو استارت بزنبد عالی میشه
از سایت فرادرس هم متشکر و ممنون بخاطر این اموزش و اینکه لطفا به استاد عزیز مظلومی راد برای ضبط دوره پیشرفته یادگیری ماشین اطلاع رسانی کنید
چون همینطور که از نظرات مشخصه دوستان دیگه از تدریس استاد راضی هستند
و هر دوره ای دیگه ای در مورد یادگیری ماشین و هوش مصنوعی با استاد عزیز مظلومی راد همکاری کنید مشخصا باز خورد عالی خواهد داشت..ممنون از فرادرس و استاد مظلومی راد

مرضیه
مرضیه

همیشه همه آموزش های فرادرس عالیه و این آموزش هم یکی از بهترین هاست.ممنونم از آقای مظلوم و ایجاد کنندگان این سایت

نیمی
نیمی

با سلام و تشکر از استاد عزیز مضلومی راد عزیز
این دوره واقعا عالی بود
ضبط ویدیو عالی بود گفتار عالی و بدون اشتباه
واقعا بدون اغراق ساخته شدید برای تدریس
کارتون ادامه بدید
برای دوره پیشرفته تر و کاملتر یادگیری ماشین استاد وقتی میذارید یا خیر؟؟؟
من و همچنین دوستان واقعا راضی بودیم و دوره کاملتر و تکمیلی اگر بذارید عالی میشه
همه منتظریم
با تشکر فراوان

سعید
سعید

من این دوره را به طور کامل دیدم. کیفیت تدریس و تسلط مدرس بر موضوع عالی بود. بسیار مفید و کاربردی. از مهندس مظلومی و تیم فرادرس تشکر میکنم.

مجید
مجید

عالی. مدرس به مطالب بسیار مسلط است و به خوبی مطالب رو بیان می کند. ممنونم

پری
پری

نحوه آموزش خوب بود ولی ای کاش پروژه محور بود و بخش یادگیری ماشین رو منظم تر و با جزئیات بیش‌تری یاد میدادند. یه مسئله دیگه اینکه اگر نحوه کار و وارد کردن انواع دیتاست واقعی و حجیم را برای داده کاوی و یادگیری ماشین رو یاد میدادند، خیلی بهتر می‌شد.
در کل برای شروع و آشنایی خوب بود.
با تشکر و احترام

محسنی
محسنی

سلام. خیلی از مفاهیم یادگیری ماشین، توضیح داده نشده.

علیرضا
علیرضا

آموزش خیلی خوبی هستش. بهترین ویژگی که داره نحوه تدریس مدرس هستش که مطالب رو به شکلی قابل فهم انتقال میده.
در ضمن هیچ آموزشی وجود نداره که یک موضوع رو بصورت صددرصدی پوشش بده یا ما رو برای مصاحبه استخدام آماده کنه . کسب درآمد یا انجام دادن پروژه نیاز به تجربه داره و با گذروندن هیچ دوره ای نمیشه از یادگیری بیشتر بی نیاز شد.

رقیه
رقیه

از نحوه تدریس مدرس خیلی خوشم اومد. برای کار و دانشگاهم بدردم خورد.
من واقعا انقدر که از فرادرس راضی ام، به همه معرفیش می کنم.

وحید
وحید

اولش کد نویسی رو می گفت، اینکه هر کتابخانه برای چی هست و چه جوری میشه تو یادگیری ماشین ازش استفاده کرد.

جواد
جواد

مطالب رو خوب گفتند، مخصوصا بحث ابتدایی که می گفت، خوب بود. یه سری اسلاید به نظرم اضافی بود.

شاهین
شاهین

یه مقدار مدرس تند تند مباحث مطرح می کردن.

طاهر
طاهر

خیلی ابتدایی بود و بیشتر روی مسائل ابتدایی تاکید داشتند.

تورج
تورج

راضی نبودم. خیلی مباحث پیچیده شده بود.

سید حسین
سید حسین

در مقایسه با بقیه ی فیلما، کیفیت پایین تری داشت، انگار فقط لیست ارائه تئوری مطالب یود.
من دنبال مسائل کاربردی بودم که کد نویسی رو به صورت عمیق بررسی کنه.

شهراد
شهراد

برای من خیلی مفید بود جزییات خوبی داره مطالب هم خوب و قابل فهم توضیح میدند.

علی
علی

سلام. مباحث تئوری رو با مثال های عملی پایتون هم توضیح میدند. خوبه فقط استاد خیلی سریع صحبت می کنن.

زیبا
زیبا

استپ استپ درس میدادن و منم برای پروژه کارشناسیم همچین آموزشی می خواستم. بیس اصلی کارو فهمیدم و بقیشم خودم رفتم تمرین کردم.

تبسم
تبسم

من گنجینه پایتون رو گرفتم، خیلی خوبه که استاد همزمان که به صورت متن توضیح می دهند، به صورت عملی هم کد نویسی می کنند، این خیلی عالیه.

سیاوش
سیاوش

کاملا با جزئیات تمام مباحث رو درس دادن. خیلی راضی بودم.

شادی
شادی

این آموزش رو کامل ندیدم قسمت هایی رو که مشاهده کردم توضیحاتشون خوب و پروژه محور بود و با حل مثال جلو می رفتند.

محمد
محمد

خیلی خوب بود، کسی که آموزش میداد مسلط بود و فن بیان مناسبی داشت.

سروش
سروش

واقعا عالی بود و خیلی کاربردی.

فاطمه
فاطمه

مفاهیم اولیه رو آشنا بودم.
در این آموزش مطالب به صورت ریاضی و آماری ارائه شده و بعد اونهارو در قالب کد پیاده سازی کردن که عالی هست.

نازنین
نازنین

به نظرم بیشتر توضیح بود و مثال عملی داخلش نبوده.

فرهاد
فرهاد

سلام
یه نظرم، واقعا آموزش خوبی بود. برام عجیبه که بعضی ها میگن پروژه ای توش انجام نشده، در حالیکه هر مبحثی که توضیح داده میشه، بصورت عملی هم کد زده میشه و انواع مثال ها روی دیتاست های مختلف، توضیح داده میشه.

کوروش
کوروش

سلام
نحوه آموزش خوب بود ولی اصلاً کاربردی نیست.
مدرس نه تنها یک پروژه حرفه ای در آموزش انجام ندادن بلکه همه چی رو خیلی خلاصه توضیح دادن. من براساس نظرات این دوره رو قبلاً گرفته بودم ولی ظاهراً خیلیا الکی نظر دادن و یا اصلاً دوره رو خوب ندیدن. خواهش میکنم واقعی نظر بدید تا اعتماد ما از بین نره. در کل توصیه نمی‌شود.
با احترام برای مدرس

صحرا
صحرا

اتفاقا دوره خوبي بود ، من خودم شخصا دوره هاي زيادي ديديم و اين دوره رو خيلي پسنديدم . علي خصوص اين دوره براي مبتدي ها مي تونه مفيد باشه ، چون مدرس هم تئوري توضيح مي داد و هم عملي روي پروژه هاي كوچيك كار مي كرد كه اين فهمش رو راحت مي كرد . و يكي از علل ديگه اي كه من اين دوره رو پسنديدم اين بود كه مدرس كد مي زد ، و مثل ساير منابع جاهای دیگه از روي كد روخواني نمي كرد . با سپاس و احترام

سياوش
سياوش

سلام. در پاسخ به آقا رضا بايد عرض كنم كه براي شخصي كه با مفاهيم اوليه يادگيري ماشين آشنا نيست، بهتر است ابتدا آموزش يادگيري ماشين (قسمت اول) آقاي شيرافكن را ببينيد.

رضا
رضا

با تشکر از مهندس مظلومی
زحمت زیادی برای این آموزی کشیده شده و آموزش نسبتا خوبی هست. اما اشکالاتی داره. این آموزش بیشتر شبیه توضیح ابزارهای پایتون و کتابخانه های اون هست تا توضیح و تفهیم مطلب. پیاده سازی به شرط درک موضوع و توضیح چرایی استفاده از روش بخصوص در مقایسه با روش های موجود دیگه اصلا در این آموزش وجود نداره یا خیلی ضعیف هست. اما در کل ممنون از این آموزش.

زهرا
زهرا

محتوا و البته نحوه بیان مدرس خیلی خوب بود. البته اینم بگم که من چون آموزش های سایت یا مراجع دیگه رو ندیدم، خیلی نمی تونم مقایسه کنم.

نیک آبادی
نیک آبادی

بسیار عالی و مسلط
ممنون از آقای مظلومی، لذت بردم.

سیده فرزانه
سیده فرزانه

سلام من این آموزش مشاهده کردم بسیار بسیار آموزش مفیدی بود مطالب خیلی روان و کامل آموزش داده شده است

علیرضا
علیرضا

خيلی سال که از طرفدارهای شما هستم و تا اينجا با هيچ کدوم از آموزش های شما هيچ مشکلی نداشتم

جلال
جلال

خوبه ولی باید پیش نیازها رو رعایت کنی. خیلی کاربردی نبود. بیشتر تئوری و دانشگاهی بود.

سمانه راستگو
سمانه راستگو

خسته نباشید. با نظر علی اقا موافقم. ولی جدیدا آموزشی دو قسمتی منتشر شده که خیلی کامل است. همه به صورت تئوری است و هم عملی با پایتون.

علی
علی

خوب بود ولی جا داره به صورت پیشرفته تر ارائه بشه

همتی
همتی

سلام-برای افرادی که با مفاهیم یادگیری ماشین از قبل آشنا هستند آموزش خوبی بود.البته اگر آشنایی با مفاهیم یادگیری ماشین ندارید و می خواهید خیلی کامل یاد بگیرید می توانید از آموزش جدید و دو قسمتی به نام" یادگیری ماشین با پیاده سازی با پایتون" استفاده کنید. قسمت اول 16 ساعت و قسمت دوم 10 ساعت است. ممنون از فرادرس برای اپدیت کردن آموزش ها

نیما
نیما

مطالب بیان شده خوب وکامل بود

امید
امید

سلام. آموزش خوب بود، تقریبا اما اگه بیشتر روی نکاتش وقت میذاشتید بهتر بود، چون نکات همینطور گفته می‌شد و می‌رفت جلو و مثال خاصی حل نمی‌شد و اگه پروژه‌محور بود، بهتر هم می‌شد، اما واقعا خوب بود ممنونم.

امیر حسین
امیر حسین

سلام-حتما توصیه میکنم این آموزش رو دنبال کنید چون واقعا کامل و خوبه

علی
علی

من چون با این موضوع زیاد سروکار دارم بیشتر آموزش های پایتون رو خریداری کردم و راضی هم هستم.

رسولی
رسولی

سلام- پیشنهاد می کنم آموزش یادگیری ماشین (تئوری - عملی) استاد شیرافکن هم که به تازگی توسط فرادرس منتشر شده را ببینید. آن آموزش هم با پایتون پیاده سازی شده و خیلی کامل است.

نیما
نیما

واقعا این آموزش کمک کننده بود و موارد طبق محتوا و سرفصل ها به صورت کامل عنوان شدند و من راضی بودم. خیلی ممنون

علی
علی

بهتر بود آموزش با جزئیات بیشتری ارائه میشد، در کل بد نبود.

شاه حسینی
شاه حسینی

سلام- برای افرادی مناسب است کف قبلا با این درس اشنا هستند و می خواهند به صورت عملی یاد بگیرند .

محمد
محمد

سلام، من این اموزش رو مشاهده کردم و خیلی خوب و کامل بود.

زهرا
زهرا

سلام. تشکر میکنم از جناب مهندس مظلومی بابت تدریس عالی که داشتن. این دوره بسیار عالی بود، یکی از بهترین‌های فرادرس هست قطعا و خیلی زیاد به من کمک کرد. امیدوارم آموزش‌های بیشتری از مهندس مظلومی در آینده داشته باشیم.

محسن
محسن

با سلام. خدا قوت میگم به مهندس مظلومی راد . دوره بسیار خوبی بود . تن صدا ، لحن صدای ایشان واقعا قوی و زیباست .
مطالب رو خیلی قشنگ بیان کردن ، نشستن و نگاه کردن به فیلم های ایشان واقعا لذت بخش هست .
از جناب مهندس مظلومی راد درخواست می کنم با توجه به توانیی و پتانسیلی که از خودشون نشان دادن ، دوره های دبگه ایی رو آماده و در فرادرس منتشر کنن

علی
علی

سلام- این آموزش برای افرادی مناسب است که آشنایی اولیه با مفاهیم به صورت تئوری دارند .خیلی ممنون از فرادرس برای قرار دادن آموزش جدید یادگیری ماشین(تئوری و عملی) که بسیار کامل است و هم به صورت تئوری و هم عملی مفاهیم بررسی شده اند.

الیاس
الیاس

سلام
دوره خیلی خوبی بود. از آقای مظلومی خواهش میکنم بازم دوره قرار بدن و همچنین به ما بگن الان بعد از تموم شدن این دوره چیکار کنیم تا به صورت کاربردی یادگیری ماشین رو یاد بگیریم.
تشکر

فرزانه
فرزانه

مدرس بسیار جامع و شیوا موضوعات را بررسی کردند و مواردی که آموزش داده می‌شود کاملا کاربردی هست. نکته بسیار خوبی که در این آموزش وجود دارد این است که آموزش از هر دو منظر مفهومی و کاربردی (توضیح مفاهیم یادگیری ماشین و نحوه ی پیاده سازی آنها در پایتون) داده می‌شود و برای افراد در سطوح مختلف مفید هست.
ممنونم برای این آموزش عالی.

الیاس
الیاس

سلام
دوره خیلی خوبی بود
منتظر آموزش های دیگه مهندس مظلومی راد هستیم.
تشکر

امینی
امینی

فوق العاده بود. ممنون جناب مظلومی راد. هم در درک یادگیری ماشین بهم کمک کردند و هم در نحوه تدریس.
امیدوارم بهترین ها براتون رقم بخوره

ناصر
ناصر

این آموزش واقعا در سطح یک فرادرس هست.
تسلط مدرس به مباحث خوبه، شیوه تدریس و انتقال مطالب عالیه و به نظرم محتوای دوره هم مناسبه.
لذت بردم. از مدرس دوره تشکر میکنم.
امیداوارم فرادرس آموزش های باکیفیتی مثل این آموزش بیشتر تولید کنه. سپاس

فریده
فریده

من خیلی از این درس راضی بودم و به نظرم یکی از بهترین درس های فرادرس بود. پیشنهاد میکنم اگر کسی میخواد یادگیری ماشین و یا حتی دیتا ماینینگ رو شروع کنه با این درس شروع کنه چون تسلط و بیان مدرس خیلی خوبه همینطور موضوعات و مثال هایی که مطرح شده ادم رو به ادامه مسیر و یادگیری این موضوع مشتاق میکنه.
ممنون از آقای مظلومی راد. منتظر درس های بیشتری از ایشون هستیم.

hesam
hesam

خیلی خوب ...منتظر آموزش های بعدی شما در این زمینه هستیم

ali_
ali_

به نظر من که عالی بود

mehdi
mehdi

بدون تعارف یکی از بهترین آموزش‌هایی بود که تا الآن دیده‌ام. برای کسانی که آشنایی خیلی مقدماتی با پایتون دارند و می‌خواهند علم داده (Data Science) کار کنند واقعاً بهترین دوره برای شروع است. اشاره به کتابخانه‌های پرکاربردی مثل NumPy، SciPy، pandas، و کتابخانه‌های ترسیم نمودار مثل matplotlib و seaborn یا پکیج Scikit-learn یک بسته‌ی کامل رو تشکیل داده است که با تدریس خیلی منظم و عالی مدرس همراه است. واقعاً از خرید این دوره راضی هستم و آن را به بقیه توصیه می‌کنم و امیدوارم آموزش‌های تکمیلی را از جناب سعید مظلومی‌راد شاهد باشیم به خصوص آموزش تکمیلی جداگانه برای هر کدام از کتابخانه‌ها و پکیج‌هایی که در بالا اشاره شد. با تشکر از فرادرس برای بسترسازی برای چنین آموزش‌هایی.

خانم
خانم

آموزش بسیار مفیدی بود. کامل توضیح دادن و شما کامل مباحث رو متوجه میشین.
حتی کسی که هیچ دیدی از این مباحث هم نداره میتونه قشنگ یاد بگیره.

mohsen
mohsen

سلام
مفاهیم تدریس شده بیشتر در زمینه داده کاوی با پایتون بود
خیلی خوب تدریس می کرد و البته در یکی دو مورد کمی در ارایه مفهوم مشکل داشت
بطور کلی باید بگم که خیلی عالی بود
من که ازش خیلی استفاده بردم

arnam
arnam

بسیار بسیار عالی تمام آموزش های سایت های انگلیسی زبان را به فارسی روان و به بهترین صورت بیان کرده. کار را برای ما دانش آموزا ن پایه ای بسیار آسان کرده!

nasrin
nasrin

بنظرم یکی از بهترین آموزش ها در زمنیه یادگیری ماشینی با پایتون بود. آقای مظلومی راد مدرس بسیار خوبی هستند.

حمید
حمید

این "بهترین" دوره آموزشی بود که من در فرادرس دیدم . از مدرس گرامی بابت نظم و بسطی که در تدریس دارند کمال تشکر دارم.

داود
داود

با سلام
خیلی خوب بود و خیلی بهتر می شد در صورتی که داده های مورد استفاده را نیز در بسته آموزشی قرار داده می شد.
با تشکر

aryan
aryan

واقعا کیفیت عالی بود!

سیدمحمدجوادفیاض
سیدمحمدجوادفیاض

با سلام
کیفیت آموزش واقعا بالاتر از اون چیزی بود که انتظارش رو داشتم
برای من که اصلا رشته م کامپیوتر نیست و اشنایی کمی با پایتون داشتم و هیچ پیش زمینه ای از یادگیری ماشین نداشتم کاملا قابل فهم بود که گیرایی بالا نحوه تدریس و تسلط مدرس رو میرسونه
توضیحات کاملا شفاف و واضح و جزوه موجود هم برای مرور سریع و یادآوری مطالب حتی بدون دیدن دوباره فیلم خیلی عالی بود
امیدوارم همین روند عالی رو ادامه بدید
تشکر فراوان

رئیسی
رئیسی

با سلام
مجموعه آموزشی بسیار خوبی تهیه شده و کیفیت بالایی دارد. مطالب با سرعت و دقت عالی منتقل می شوند و مدل برنامه نویسی و ارائه خروجی ها هم بسیار مطلوب است. امیدوارم که دوره پیشرفته علم داده و یادگیری ماشینی با پایتون و همچنین متن کاوی با پایتون هم به مجموعه دوره های عالی فرادرس اضافه شوند.
متشکرم

یاسر آهنگری
یاسر آهنگری

سلام. مجموعه آموزشی واقعا خوب بود.

محمدی
محمدی

با سلام و خسته نباشید
من زیاد عادت به کامنت گذاشتن ندارم ، ولی اینقدر از آموزش اقای مظلومی راد لذت بردم که لازم دونستم ازشون تشکر کنم.بیانشون شیواست و بدون کم ترین اتلاف وقت بصورت پشت سر هم مطالب را عملا درس میدن که این تاثیر زیادی داره که کلاسشون خسته کننده نباشه.
بخصوص تشکر فراوان دارم از ایشون بابت فایلی که بصورت pdf از مطالب درسیشون در اختیار گذاشتن که این باعث میشه ما بتونیم قبل از اینکه قسمت بعدی رو نگاه کنیم با دیدن این فایل جلسات قبلی مرور بشه. بهشون و همچنین همکارانشون در فرادرس خسته نباشید می گم.
آقای مظلومی راد اگر در زمینه داده کاوی با پایتون هم فیلم بسازند خیلی عالیه و بی شک استقبال بی نظیری خواهد شد.

نیما
نیما

این آموزش رو خریداری کردم اما خیلی آکادمیک بود ... احساس می کردم مدرس از روی کتاب داره تدریس میکنه. بهتر بود از مثال های کاربردی تر استفاده بشه.

زهرا
زهرا

سلام . این ویدیو رو تهیه کردم . عالی بود. اقای مظلومی بسیار مسلط و عالی درس دادن. دستشون درد نکنه.
منتظر ویدیو django هستم .

قنبری
قنبری

سلام به نظرم دوره کاربردی و بسیار مفیدی بود
رویه طوری بود که برای افرادی مبتدی هم مناسب هست
ممنون از آقای مظلومی که دانش خودشون رو به اشترک گذاشتن
امیدوارم باز هم در فرادرس از این دست آموزش های کاربردی ببینیم

عاطفه
عاطفه

یکی از بهترین دوره های آموزشی در زمینه ی یادگیری ماشین هست ،تشکر ویژه میکنم از آقای مهندس مظلومی ، منتظر دوره های جدید ازشون هستیم ..امیدوارم دورره پیشرفته ی داده کاوی با پایتون رو هم منتشر کنن

امیر
امیر

این آموزش واقعا در سطح جهانی و حتی بهتر بود، به هیچ عنوان اتلاف وقت نداشت، مدرس کاملا مسلط بود، مثال ها کاملا واضح و به درک موضوع بسیار کمک می کردند، آموزش های خیلی خوبی در زمینه هوش مصنوعی در فرادرس هست اما از نظر من این آموزش از تمام آموزش هایی که دیدم بهتر بود در یک کلام عالی بود، امیدوارم باز هم از این مدرس همچین اموزش هایی ببینیم
ممنونم از فرادرس


برچسب‌ها:
Bayes | Boston House Prices | chi square | Classification | Clustering | Confusion Matrix | DataFrame در pandas | DBSCAN | Dimensionality Reduction | ECDF | Empirical distribution function | Grid Search Cross-validation | Hierarchical Clustering | iris | Jupyter Notebook | K-fold Crossover Validation | k-means | KNN | Lasso | Lasso Regression | logistic regression | Machine Learning | matplotlib | Mean squared error | meanshift | MSE | NMF | Numpy | Outlier | outliers | pandas | PCA | pearson coefficent | Pre-Processing | Python distribution | Randomized Search Cross-validation | Recommender system | Regression | Regularization Regression | ridge | Ridge Regression | seaborn | Series در pandas | SparseArray | spearman r | TFIDF | Web Scraping | Wisconsin Breast Cancer | آموزش Markdown | افزونه NumPy | اکتیو پایتون | ان ام اف | بر چسب گذاری در نمودار | بسته SciPy | بسته پانداز | بسته سایپای | بسته سیبرن | بسته مت پلات لیب | بسته نامپای | پایتون انتوت | پی سی ای | پیش پردازش داده ها | تست کای اسکوئر | تفاوت آرایه و ماتریس | توابع SciPy | خراش دادن وب | خوشه بندی | خوشه بندی دی بی اسکن | خوشه بندی سلسله مراتبی | خوشه بندی مین شیفت | خوشه کی مینز | داده های پرت | دیتاست آیریس | راه اندازی Anaconda | رسم نمودار در پایتون | رگرسیون | ریاضیات در پایتون | ریج رگرسیون | زبان شیءگرا | زبان ماشین | سیستم توصیه گر | ضریب اسپیرمن | ضریب پیرسن | طبقه بندی | طبقه بندی با درخت تصمیم | طبقه بندی با کی ان ان | طبقه بندی با لجستیک رگرسیون | طبقه بندی در ماشین | قضیه بیز | کار با اعداد در پایتون | کتابخانه Matplotlib | کتابخانه pandas | کتابخانه Scikit-Learn | لاسو رگرسیون | متد در آرایه | میانگین مربعات خطا | نام پای | نشانه گذاری با Markdown | نصب NumPy | نصب آناکندا | نصب آناکوندا | نصب بسته Scikit-Learn | وارد کردن داده در Python | یادگیری ماشین با پایتون
مشاهده بیشتر مشاهده کمتر
فهرست جلسات ۱۲ جلسه ویدئویی ×