×
هزینه آموزش
۸۵,۰۰۰ تومان

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

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

تعداد دانشجو
۱۱,۲۶۹ نفر
مدت زمان
۱۰ ساعت
هزینه آموزش
۸۵,۰۰۰ تومان
محتوای این آموزش
تضمین کیفیت
۹۳ 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)

مدت زمان
۱۰ ساعت
هزینه آموزش
۸۵,۰۰۰ تومان
محتوای این آموزش
۹۳ 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

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: ۷ 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: ۵ 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.
این آموزش شامل ۱۲ جلسه ویدئویی با مجموع ۱۰ ساعت 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 (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 (نمایش آنلاین + دانلود)
حجم دانلود ۶۰۵ 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 ۱۱,۲۶۹ نفر از این آموزش استفاده کرده اند و ۹۳ نظر ثبت شده است.
معصومه
معصومه
۱۴۰۰/۰۸/۲۱

تا اینجا که دیدم واقعا عالی بوده. مواردی که در آموزش های دیگر اشاره نشده بود دیدم که اشاره کردن و خیلی بیان خوبی هم دارن استاد. موارد آموزشی را هم بسیار منسجم و منظم پیش میبرن. ممنونم از مهندس مظلومی راد

Naghmeh
Naghmeh
۱۴۰۰/۰۷/۲۱

بد نبود، اما اگر این تنها منبع آموزشی شماست زیاد چیزی یاد نمی گیرید چون به شدت مختصره، من فکر می کنم مدرس توان علمی خوبی دارند و با طولانی تر کردن دوره می تونستن پکیج بهتری درست کنن. چه دلیلی داره دوره کوتاه باشه وقتی به طور منطقی تو ده ساعت نمیشه این مبحث رو پوشش داد. اگه دوره کامل تر بشه من حتما می خرم.

سعید
سعید
۱۴۰۰/۰۵/۲۸

عالی بود،تمام نکات با جزئیات بیان شد.تشکر از مجموعه خوب فرادرس

سیده زهرا
سیده زهرا
۱۴۰۰/۰۴/۲۶

سلام. بیان شیوا و توضیح عالی مطالب از نقاط قوت تدریسه. (دوره، مباحث مقدماتی تا متوسط رو پوشش میده)
از استاد محترم و البته از فرادرس خیلی ممنونم.

سعید
سعید
۱۴۰۰/۰۴/۱۰

آموزش بسیار روان و عالی بود،بسیاری از مباحث پوشش داده شد،ممنون از فرادرس و استاد

Ali
Ali
۱۴۰۰/۰۴/۰۴

عالی بود

مهدی مهرپرور
مهدی مهرپرور
۱۳۹۹/۱۲/۱۶

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
۱۳۹۹/۱۲/۰۸

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

صحرا
صحرا
۱۳۹۹/۰۹/۲۳

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
۱۳۹۹/۰۹/۲۸

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

رضا
رضا
۱۳۹۹/۰۹/۱۸

از بابت نحوه اموزش و طراحی گرافیکی اموزش عالی بود

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
×