×
۱۲۵,۰۰۰ تومان

آموزش‌ کتابخانه scikit-learn در پایتون - الگوریتم های یادگیری ماشین

آموزش‌ کتابخانه scikit-learn در پایتون - الگوریتم های یادگیری ماشین

هزینه آموزش
۱۲۵,۰۰۰ تومان

تعداد دانشجو
۳۰۰ نفر
مدت زمان
۳ ساعت و ۵۷ دقیقه
محتوای این آموزش
تضمین کیفیت
۱ بازخورد (مشاهده نظرات)

یادگیری ماشین (Machine Learning) بخشی از هوش مصنوعی (Artificial Intelligence) و جزو شاخه‌های پرکاربرد و اثرگزار در علوم کامپیوتر است. در این آموزش قصد داریم تا بخشی از الگوریتم‌های یادگیری ماشین موجود در کتابخانه scikit-learn را مورد بررسی قرار دهیم. پس از فراگیری این فرادرس، قادر خواهید بود مسائل مختلف را با توجه به شرایط حل کرده و به جواب نهایی برسانید.

آموزش‌ کتابخانه scikit-learn در پایتون - الگوریتم های یادگیری ماشین

تعداد دانشجو
۳۰۰ نفر
مدت زمان
۳ ساعت و ۵۷ دقیقه
هزینه آموزش
۱۲۵,۰۰۰ تومان
محتوای این آموزش
۱ بازخورد (مشاهده نظرات)

سید علی کلامی‌ هریس

مدرس پایتون و یادگیری ماشین

سید علی کلامی هریس، دانشجوی سال چهارم داروسازی دانشگاه علوم پزشکی تهران هستند. ایشان در سال 1397 از دبیرستان «پروفسور حسابی» تبریز فارغ‌التحصیل شدند و هم اکنون در کنار تحصیل در حوزه دارو‌سازی، به فعالیت در زمینه برنامه‌نویسی پایتون، یادگیری ماشین (Machine Learning) و تحلیل بازارهای مالی با استفاده از الگوریتم‌های هوشمند می‌پردازند. ایشان در زمینه‌ یادگیری ماشین از جمله یادگیری نظارت‌شده (Supervised Learning) و یادگیری تقویتی (Reinforcement Learning) مشغول به فعالیت هستند و در سال‌های اخیر تمرکز ایشان بر روی تحلیل سری‌های زمانی مربوط به بازارهای مالی، پیاده‌سازی و مدل‌سازی‌هایی مربوط به ساختار مولکول‌ها بوده است.

توضیحات تکمیلی

یادگیری ماشین (Machine Learning) بخشی از هوش مصنوعی (Artificial Intelligence) و جزو شاخه‌های پرکاربرد و اثرگزار در علوم کامپیوتر است. در این آموزش قصد داریم تا بخشی از الگوریتم‌های یادگیری ماشین موجود در کتابخانه scikit-learn را مورد بررسی قرار دهیم. پس از فراگیری این فرادرس، قادر خواهید بود مسائل مختلف را با توجه به شرایط حل کرده و به جواب نهایی برسانید.

 

فهرست سرفصل‌ها و رئوس مطالب مطرح شده در اين مجموعه آموزشی، در ادامه آمده است:
  • درس یکم: کار با داده در کتابخانه scikit-learn
  • درس دوم: خوشه‌بندی با روش K-Means در کتابخانه scikit-learn
  • درس سوم: خوشه‌بندی با روش Mean Shift در کتابخانه scikit-learn
  • درس چهارم: خوشه‌بندی با روش DBSCAN در کتابخانه scikit-learn
  • درس پنجم: خوشه‌بندی با روش GMM در کتابخانه scikit-learn
  • درس ششم: طبقه‌بندی با روش KNN در کتابخانه scikit-learn
  • درس هفتم: طبقه‌بندی با روش Naive Bayes در کتابخانه scikit-learn
  • درس هشتم: طبقه‌بندی با روش Logistic Regression در کتابخانه scikit-learn
  • درس نهم: طبقه‌بندی با روش SVM در کتابخانه scikit-learn
  • درس دهم: طبقه‌بندی با روش Decision Tree در کتابخانه scikit-learn
  • درس یازدهم: طبقه‌بندی با روش MLP در کتابخانه scikit-learn
  • درس دوازدهم: رگرسیون با روش KNN در کتابخانه scikit-learn
  • درس سیزدهم: رگرسیون با روش Linear Regression در کتابخانه scikit-learn
  • درس چهاردهم: رگرسیون با روش SVM در کتابخانه scikit-learn
  • درس پانزدهم: رگرسیون با روش Decision Tree در کتابخانه scikit-learn
  • درس شانزدهم: رگرسیون با روش MLP در کتابخانه scikit-learn
  • درس هفدهم: کاهش ابعاد با روش PCA در کتابخانه scikit-learn

 

مفید برای
  • علوم کامپیوتر
  • مهندسی کامپیوتر - هوش مصنوعی

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 3.9.7

پیش نمایش‌ها

۱. کار با داده در کتابخانه scikit-learn
۲. طبقه‌بندی با روش SVM در کتابخانه scikit-learn
۳. خوشه‌بندی با روش K-Means در کتابخانه scikit-learn
۴. طبقه‌بندی با روش Decision Tree در کتابخانه scikit-learn
۵. خوشه‌بندی با روش Mean Shift در کتابخانه scikit-learn
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۶. خوشه‌بندی با روش DBSCAN در کتابخانه scikit-learn
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۷. خوشه‌بندی با روش GMM در کتابخانه scikit-learn
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۸. طبقه‌بندی با روش KNN در کتابخانه scikit-learn
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۹. طبقه‌بندی با روش Naive Bayes در کتابخانه scikit-learn
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۰. طبقه‌بندی با روش Logistic Regression در کتابخانه scikit-learn
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۱. طبقه‌بندی با روش SVM در کتابخانه scikit-learn
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
۱۲. طبقه‌بندی با روش Decision Tree در کتابخانه scikit-learn
مشاهده این پیش‌نمایش، نیازمند عضویت و ورود به سایت (+) است.
این آموزش شامل ۱۸ جلسه ویدئویی با مجموع ۳ ساعت و ۵۷ 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 کتابخانه scikit-learn در پایتون - الگوریتم های یادگیری ماشین
ناشر فرادرس
شناسه اثر ۸–۱۲۴۵۲–۰۸۰۶۷۴ (ثبت شده در مرکز رسانه‌های دیجیتال وزارت ارشاد)
کد آموزش FVSKLP101
مدت زمان ۳ ساعت و ۵۷ دقیقه
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)
حجم دانلود ۶۲۴ 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 مرتبط با آموزش‌ کتابخانه scikit-learn در پایتون - الگوریتم های یادگیری ماشین


آموزش‌های پیشنهادی برای شما


نظرات

تا کنون ۳۰۰ نفر از این آموزش استفاده کرده اند و ۱ نظر ثبت شده است.
مرتضی
مرتضی
۱۴۰۱/۰۱/۱۳

صرفا جهت مرور خلاصه‌وار الگوریتم‌های یادگیری ماشین (با پیش فرض آشنایی قبلی مخاطب) مناسب است.

برچسب‌ها:
Artificial Intelligence | DBSCAN Method in scikit-learn | Decision Tree Method in scikit-learn | GMM Method in scikit-learn | K-Means Method in scikit-learn | KNN Method in scikit-learn | Linear Regression Method in scikit-learn | Logistic Regression Method in scikit-learn | Machine Learning | Machine Learning | Mean Shift Method in scikit-learn | MLP Method in scikit-learn | Naive Bayes Method in scikit-learn | Python Library | Python Programming Language | scikit-learn in Python | SVM Method in scikit-learn | آشنایی با کتابخانه scikit-learn | الگوریتم های یادگیری ماشین | الگوریتم ‌های یادگیری ماشین در پایتون | بررسی هوش مصنوعی | بررسی یادگیری ماشین | خوشه ‌بندی با روش DBSCAN | خوشه بندی با روش GMM | خوشه ‌بندی با روش k-Means | خوشه‌ بندی با روش Mean Shift | داده ها در کتابخانه scikit-learn | رگرسیون با روش Decision Tree | رگرسیون با روش KNN | رگرسیون با روش Linear Regression | رگرسیون با روش MLP | رگرسیون با روش SVM | روش DBSCAN در scikit-learn | روش Decision Tree در scikit-learn | روش GMM در scikit-learn | روش KNN در scikit-learn | روش Logistic Regression در scikit-learn | روش Mean Shift در scikit-learn | روش MLP در scikit-learn | روش Naive Bayes در scikit-learn | روش PCA در scikit-learn | روش SVM در scikit-learn | طبقه ‌بندی با روش Decision Tree | طبقه ‌بندی با روش KNN | طبقه ‌بندی با روش Logistic Regression | طبقه ‌بندی با روش MLP | طبقه ‌بندی با روش Naive Bayes | طبقه ‌بندی با روش SVM | کاهش ابعاد با روش PCA | کتابخانه Scikit-Learn | هوش مصنوعی
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۱۸ جلسه ویدئویی
×