داده کاوی و یادگیری ماشین
۵۲,۹۷۵ دانشجو ثبت نام کننده
۵۲٫۱ میلیون دقیقه یادگیری و مطالعه توسط دانشجویان
۱۴,۳۴۹ دقیقه مدت زمان آموز‌ش‌های این صفحه
۲۵ عنوان آموزشی تعداد آموز‌ش‌های این صفحه
۱
آموزش ​اصول و روش های داده کاوی (Data Mining)

آموزش ​اصول و روش های داده کاوی (Data Mining)

مدرس: دکتر امیر حسین کیهانی پور

در اغلب مسائل، وجود حجم زیاد داده ها، منجر به ایجاد اشکالات جدی در امر شناسایی و کشف روابط و الگوهای پنهان در این داده ها شده است. دانش داده کاوی با هدف فراهم آوردن روش هایی برای پردازش هوشمند حجم زیاد داده ها و استخراج روال ها و قوانین حاکم بر آن ها، مطرح شده است. این دانش در کاربردهای مختلف و اصولا در هر جا با مساله تجزیه و تحلیل اطلاعات مواجه هستیم، قابل استفاده است. در این دوره به بیان اصول و روش های داده کاوی به منظور استخراج روندها و الگوهای پنهان در داده ها، پرداخته خواهد شد.

یادگیری را شروع کنید ...

۲
داده کاوی یا Data Mining در متلب

مجموعه آموزش های داده کاوی یا Data Mining در متلب

مدرس: دکتر سید مصطفی کلامی هریس

مجموعه فرادرس های داده کاوی یا Data Mining در متلب عنوان مجموعه ای از فیلم های آموزشی است، که در مجموع شامل بیست و چهار ساعت برنامه آموزشی تخصصی در زمینه داده کاوی و مباحث آن، پیاده سازی آن ها در محیط متلب و کاربردهای آن ها می باشد. 

یادگیری را شروع کنید ...

۳
آموزش وب کاوی

آموزش وب کاوی

مدرس: دکتر امیر حسین کیهانی پور

با افزایش اطلاعات و حجم داده ها و توسعه وب سایت ها به روش ها و ترفند هایی برای دستیابی به داده ها و استخراج اطلاعات از آن نیاز داریم که به آن وب کاوی می گویند. در این فرادرس، ابتدا به معرفی مفاهیم و تکنیک های پایه بازیابی اطلاعات وب و کاربردهای آن ها پرداخته می شود. در ادامه این فرادرس ساختار، معماری و مولفه های شاخص سامانه های پایه جستجوی اطلاعات وب یعنی جویشگرها (Web Search Engines) و فراجویشگرها (Web Meta-Search Engines) مورد مطالعه و بررسی قرار خواهد گرفت. بخش پایانی این آموزش نیز به معرفی مباحث به روز در این حوزه از جمله بازیابی بین زبانی (Cross-Language Information Retrieval)، رتبه بندی مبتنی بر یادگیری (Learning to Rank) و نیز آینده پژوهی فناوری وب اختصاص یافته است.

یادگیری را شروع کنید ...

۴
آموزش یادگیری عمیق (Deep learning)

آموزش یادگیری عمیق (Deep learning)

مدرس: مهندس سعید محققی

در این آموزش ویدئویی، یکی از محبوب ترین و پرکاربردترین علوم حوزه هوش مصنوعی، یعنی یادگیری عمیق (Deep learning)، معرفی شده است. در این آموزش، علاوه بر آشنایی با مبانی تئوری یادگیری عمیق، تکنیک ها و مدل های مختلف آموزش شبکه های عصبی عمیق، قادر خواهید بود تا در عمل نیز به طراحی، پیاده سازی و آموزش این شبکه ها بپردازید. همچنین در این آموزش به کاربردهای آکادمیک و تحقیقاتی و هم به کاربردهای عملی یادگیری عمیق توجه شده است. در این آموزش، تمرکز بر روی محبوب ترین مدل و کاربرد یادگیری عمیق یعنی مدل شبکه عصبی کانولوشنی با کاربرد در بینایی ماشین و پردازش تصویر خواهد بود.

یادگیری را شروع کنید ...

۵
آموزش یادگیری عمیق در پزشکی

آموزش یادگیری عمیق در پزشکی

مدرس: مهندس امین زاده شیرازی

با یک جستجوی ساده با عبارت کلیدی Deep Learning in Medicine با صدها مقاله، کتاب و متون علمی مواجه خواهیم شد که اهمیت بیش از پیش این زمینه تحقیقاتی را بیان می کند. تکنیک های سنتی پردازش تصویر، قادر به انجام عملیات محاسباتی بر روی تصاویر با رزولوشن فوق العاده بالای گرافیکی نبوده و لذا یادگیری عمیق به عنوان تکنیکی موفق در پزشکی جای خود را میان محققان بازکرده است. این فرادرس بر آموزش یادگیری عمیق با رویکرد پزشکی نیز تمرکز دارد.

یادگیری را شروع کنید ...

۶
آموزش یادگیری ماشین

آموزش یادگیری ماشین

مدرس: دکتر امیر حسین کیهانی پور

در واقع می توان یادگیری ماشین را به عنوان مجموعه ای از ابزارهای پایه برای هوشمند سازی فرایندها در کاربردهای مختلف، به کار گرفت. یادگیری ماشین به عنوان شاخه ای از هوش مصنوعی بدون انجام برنامه نویسی به رایانه امکان بهبود بخشیدن را به عملگرها می دهد. در این آموزش طیف وسیعی از روش های یادگیری کلاسیک مورد مطالعه قرار می گیرد. هدف این آموزش، بیان روش های مختلف یادگیری تقویتی (Reinforcement Learning) به عنوان یک رویکرد نوین و کارآمد در مقوله یادگیری ماشین و بررسی انواع مختلف روش های یادگیری تقویتی است.

یادگیری را شروع کنید ...

۷
آموزش یادگیری ماشین (Machine Learning) (تئوری - عملی) - بخش اول

آموزش یادگیری ماشین (Machine Learning) (تئوری - عملی) - بخش اول

مدرس: مهندس فرشید شیرافکن

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.

یادگیری را شروع کنید ...

۸
آموزش یادگیری ماشین (Machine Learning) (تئوری و عملی) - بخش دوم

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

مدرس: مهندس فرشید شیرافکن

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.

یادگیری را شروع کنید ...

۹
آموزش برنامه نویسی یادگیری عمیق با پایتون (TensorFlow و Keras)

آموزش برنامه نویسی یادگیری عمیق با پایتون (TensorFlow و Keras)

مدرس: مهندس سعید محققی

در سال های اخیر، یادگیری عمیق، تحول بزرگی را در یادگیری ماشین و هوش مصنوعی ایجاد کرده است. یکی از مهم ترین شاخه های مبحث یادگیری عمیق، بسترهای نرم افزاری و برنامه نویسی هستند که به منظور پیاده سازی و آموزش مدل ها به کار می روند. همچنین، فعالیت های زیادی در زمینه ایجاد بسترها و کتابخانه های نرم افزاری مخصوص یادگیری عمیق، توسط شرکت ها و دانشگاه های معتبر دنیا، انجام شده است؛ در میان این بسترها، با اطمینان می توان بستر TensorFlow شرکت گوگل به همراه کتابخانه Keras را پرکاربردترین و محبوب ترین و در عین حال، قدرتمندترین بستر نرم افزاری در این زمینه معرفی کرد. در این آموزش مطالب اصلی برای ایجاد و آموزش مدل های یادگیری عمیق در Keras آورده شده است.

یادگیری را شروع کنید ...

۱۰
آموزش یادگیری ماشین (Machine Learning) با پایتون (Python)

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

مدرس: مهندس سعید مظلومی راد

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.

یادگیری را شروع کنید ...

۱۱
آموزش داده کاوی در RapidMiner

آموزش داده کاوی در RapidMiner

مدرس: مهندس نفیسه سلطانی

RapidMiner قوی ترین و آسان ترین نرم افزار برای آنالیز داده ها به صورت عددی و نمایش گرافیکی نتایج حاصل از تحلیل داده ها است. هم چنین این نرم افزار قابلیت ورود کدهای داده کاوی از سایر برنامه ها مانند R و Python را دارد و می تواند از داده های سایر نرم افزار های داده کاوی مانند: Microsoft Excel و  Microsoft Access ,Oracle ,IBM DB ,Microsoft SQL Server ,Teradata نیز استفاده کند. در این فرادرس به صورت کلی ابتدا با آنالیز داده ها در این نرم افزار آشنا می شویم و سپس به صورت خاص تر، داده کاوی با استفاده از RapidMiner را آموزش می دهیم.

یادگیری را شروع کنید ...

۱۲
آموزش پردازش زبان های طبیعی (NLP) در پایتون (Python) با پلتفرم NLTK

آموزش پردازش زبان های طبیعی (NLP) در پایتون (Python) با پلتفرم NLTK

مدرس: مهندس احسان یزدانی

برای پردازش زبان های طبیعی، نیاز به یک ابزار و یا به عبارتی به یک زبان برنامه نویسی داریم، بنابراین با توجه به سهولت کدنویسی و همچنین وجود بسته های نرم افزاری زیاد، زبان برنامه نویسی پایتون و مهم ترین ابزار آن برای پردازش زبان های طبیعی یعنی NLTK را برمی گزینیم، البته شایان ذکر است که این درس با عنوان مبانی پردازش زبان و گفتار برای دانشجویان کامپیوتر در برخی از دانشگاه ها ارائه می گردد ولی از آن جا که بیشتر به صورت تئوری ارائه می شود و منبع فارسی عملی نیز برای آن وجود ندارد بر آن شدیم که این درس را ارائه دهیم.

یادگیری را شروع کنید ...

۱۳
آموزش داده کاوی و زبان برنامه نویسی R (رایگان)

آموزش داده کاوی و زبان برنامه نویسی R (رایگان)

مدرس: الهام حصارکی

بر اساس پیش بینی ها، جهان فناوری در سال های آینده حول محور تحلیل داده ها خواهد بود. یکی از موضوعات داغ روز در حوزه تحلیل داده ها، مبحث کشف دانش از داده یا داده کاوی است. داده کاوی به معنای کشف الگوهای جالب توجه از حجم انبوهی از داده ها است که دانشی را ارائه می کنند. استفاده از زبان برنامه نویسی R که با اجازه نامه عمومی گنو منتشر شده در مباحث مربوط به داده کاوی استفاده های گسترده ای چه در پروژه های دانشگاهی و چه در پروژه های عملی دارد. در این کارگاه شما ضمن آشنایی با کلیات داده کاوی، با برنامه نویسی R و استفاده از آن برای داده کاوی آشنا خواهید شد.

یادگیری را شروع کنید ...

۱۴
آموزش خوشه بندی تفکیکی با نرم افزار R

آموزش خوشه بندی تفکیکی با نرم افزار R

مدرس: آرمان ری بد

از مهم ترین تکنیک های عملی داده کاوی که کاربرد زیادی در علوم مختلف دارد به خوشه بندی تفکیکی می توان اشاره کرد که با توجه به روش های گوناگونی مانند: k-میانگین، k-میانه و …قابل پیاده سازی است. با توجه به بار محاسباتی زیاد این روش ها، برای کلان داده ها از روش هایی با بار محاسباتی کمتر (مانند الگوریتم CLARA) آشنا شده و از آن استفاده می کنیم. در این راستا بسته های مختلفی در نرم افزار R گنجانده شده است که قابلیت انجام این گونه محاسبات را دارد و به محققین در تحلیل خوشه بندی تفکیکی کمک شایان می کند. هدف از این فرادرس، خوشه بندی معرفی شده و خوشه بندی تفکیکی و روش های مختلف آن که براساس مثال، اجرا می شود.

یادگیری را شروع کنید ...

۱۵
آموزش خوشه بندی سلسله مراتبی در R

آموزش خوشه بندی سلسله مراتبی در R

مدرس: آرمان ری بد

خوشه بندی یا گروه بندی داده ها یکی از روش های پایه ای در داده کاوی است. برای خوشه بندی (Clustering) روش ها و الگوریتم های مختلفی وجود دارد ولی یکی از اصلی و پرکاربردترین خوشه بندی ها، خوشه بندی سلسله مراتبی (Hierarchical) است. خوشه بندی سلسله مراتبی برای داده های چند بعدی و حجیم احتیاج به انجام محاسبات سنگین و زیادی خواهد داشت که این محاسبات در اکثر نرم افزارهای آماری یا داده کاوی امکان پذیر است. در این آموزش به کمک برنامه نویسی در محیط R انجام چنین محاسباتی را ساده می کنیم.

یادگیری را شروع کنید ...

۱۶
آموزش یادگیری انتقال (Transfer Learning)

آموزش یادگیری انتقال (Transfer Learning)

مدرس: دکتر امیر حسین کیهانی پور

در این فرادرس، ضمن بیان کلیات ساختار روش های انتقال یادگیری، یک طبقه بندی مرجع در بررسی تکنیک های مختلف یادگیری انتقال نیز معرفی می شود. در ادامه بحث، مرور کاملی از کاربردهای یادگیری انتقال برای مسائل پایه ای نظیر رده بندی (Classification)، رگرسیون و خوشه بندی (Clustering) انجام می شود، همچنین به منظور ایجاد امکان استفاده از این تکنیک ها، معرفی کلی در خصوص برخی از ابزارهای متن باز موجود در زمینه یادگیری انتقال و مجموعه های داده محک استاندارد نیز صورت خواهد گرفت. بخش انتهایی این آموزش به بررسی برخی نمونه های استفاده از روش های یادگیری انتقال در حل مسائل کاربردی، اختصاص یافته است.

یادگیری را شروع کنید ...

۱۷
آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

آموزش مبانی و کاربردهای راهبرد تلفیق داده یا Data Fusion

مدرس: دکتر مقداد خزایی

افزایش درجه اطمینان، کاهش نوفه، کاهش شدید نرخ داده های غیر مطمئن و مواردی بسیاری از این دست از مزیت های مهم و تاثیرگذار استفاده از سامانه تلفیق داده در تمامی کاربردهای یاد شده آن است. بنابراین استفاده از روش تلفیق داده ها یکی از ضروریات بسیار مهم در افزایش قابلیت اطمینان در کاربردهای مختلف آن از تصمیمات مدیریتی گرفته تا پایش وضعیت و عیب یابی است. در واقع در آینده و با پیچیده تر شدن سامانه های مختلف (اعم از مکانیکی، نظامی، رباتیک و غیره) چاره ای جز استفاده از چند حسگر و تلفیق داده های آن ها با یکدیگر وجود ندارد.

یادگیری را شروع کنید ...

۱۸
آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

آموزش خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری

مدرس: دکتر سید مصطفی کلامی هریس

در فیلم آموزشی خوشه بندی با استفاده از الگوریتم های تکاملی و فراابتکاری، ابتدا مساله خوشه بندی به صورت عادی و سپس مساله خوشه بندی خودکار، به صورت مسائل بهینه سازی بیان شده اند و توسط چندین الگوریتم تکاملی و فراابتکاری، به صورت گام به گام و در محیط نرم افزار متلب، حل و بررسی شده اند. برای تبدیل مساله خوشه بندی به مساله بهینه سازی، ما نیازمند شاخص هایی هستیم که به این منظور، در این فرادرس، از چندین شاخص معروف در حوزه داده کاوی تکاملی، استفاده شده است.

یادگیری را شروع کنید ...

۱۹
مجموعه شبکه های عصبی مصنوعی در متلب

مجموعه آموزش های شبکه های عصبی مصنوعی در متلب

مدرس: دکتر سید مصطفی کلامی هریس

مجموعه فرادرس های شبکه های عصبی مصنوعی در متلب، مجموعه ای از هفت فرادرس جامع درباره شبکه های عصبی مصنوعی است. این بسته آموزشی بی نظیر، در مجموع شامل تقریبا ۲۷ ساعت برنامه آموزشی تخصصی است، که تمام بخش های آن به صورت تئوری و عملی ارائه شده اند. 

یادگیری را شروع کنید ...

۲۰
مجموعه آموزش های کاربردی شبکه های عصبی مصنوعی

مجموعه آموزش های کاربردی شبکه های عصبی مصنوعی

مدرس: دکتر اسماعیل آتشپز گرگری

مجموعه فرادرس های شبکه عصبی، شامل پنج فرادرس در زمینه شبکه های عصبی مصنوعی و کاربردهای آن ها، حتما یکی از بهترین انتخاب های علمی شما برای ورود به این حوزه علمی خواهد بود.

یادگیری را شروع کنید ...

۲۱
طراحی سیستم های فازی عصبی یا ANFIS با استفاده از الگوریتم های فرا ابتکاری و تکاملی

آموزش طراحی سیستم های فازی عصبی یا ANFIS با استفاده از الگوریتم های فراابتکاری و تکاملی

مدرس: دکتر سید مصطفی کلامی هریس

طراحی و آموزشی سیستم های استنتاج فازی (FIS) و سیستم های تطبیقی استنتاج عصبی فازی (انفیس یا ANFIS) معمولا با استفاده از رویکردهای کلاسیک، نظیر گرادیان نزولی (Gradient Descend) و پس انتشار (Back-Propagation) انجام می شود. اما در این آموزش، کاربرد الگوریتم های تکاملی و فراابتکاری در طراحی بهینه سیستم های فازی نوع تاکاگی-سوگنو-کانگ (TSK) مورد بحث واقع شده است.

یادگیری را شروع کنید ...

۲۲
آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

آموزش شبکه عصبی GMDH به همراه پیاده سازی عملی در متلب

مدرس: دکتر سید مصطفی کلامی هریس

در «فیلم آموزشی شبکه عصبی GMDH در متلب»، پس از تشریح کامل مبانی تئوری و شیوه عملکرد الگوریتم GMDH چند جمله ای، پیاده سازی عملی و گام به گام این نوع از شبکه عصبی، به صورت کامل در محیط متلب انجام شده است. در ادامه نیز، با استفاده از برنامه نوشته شده برای ایجاد ساختارهای GMDH، مسائل مختلفی در حوزه های متعدد حل و بررسی شده اند.

یادگیری را شروع کنید ...

۲۳
آموزش شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب

آموزش شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب

مدرس: دکتر سید مصطفی کلامی هریس

شبکه عصبی گازی یا شبکه گاز عصبی (Neural Gas Network) یکی از انواع شبکه های عصبی رقابتی با الگوی یادگیری غیر نظارت شده است، که کاربرد اصلی آن در حل مسائل خوشه بندی (Clustering) و یادگیری توپولوژی (Topology) است. این نوع از شبکه عصبی، از نظر طبقه بندی در رده الگوریتم های Vector Quantization (به اختصار VQ) قرار می گیرد و ارتباط بسیار نزدیکی با الگوریتم خوشه بندی k-Means، شبکه عصبی SOM (نگاشت های خود سازمان ده) و شبکه عصبی LVQ دارد. شبکه گاز عصبی علاوه بر انجام خوشه بندی و قرار دادن مرکز خوشه ها در محل مناسب، ارتباط های همسایگی میان نورون ها (مراکز خوشه ها) را به صورت پویا ایجاد می کند، که در نهایت این الگوریتم را، قادر به یادگیری توپولوژی می کند.

یادگیری را شروع کنید ...

۲۴
سیستم های فازی

مجموعه آموزش های سیستم های فازی در متلب

مدرس: دکتر سید مصطفی کلامی هریس

مجموعه فرادرس های سیستم های فازی در متلب عنوان یک مجموعه آموزشی کامل است که شامل تقریبا ۲۱ ساعت فیلم آموزشی ناب به زبان فارسی است. این مجموعه آموزشی از چندین قسمت تشکیل شده است.

یادگیری را شروع کنید ...

۲۵
آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

مدرس: دکتر سید مصطفی کلامی هریس

در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوری همه الگوریتم های مورد اشاره، به همراه ده ها مبحث تخصصی دیگر، به صورت کامل و به زبان ساده مورد بحث و بررسی قرار می گیرند. در ادامه، پس از تشریح مبانی تئوری، با استفاده از امکانات جعبه ابزار (تولباکس) شبکه عصبی متلب و توابع تعبیه شده در آن، با استفاده از متدهای برنامه نویسی متلب، شبکه عصبی LVQ در متلب پیاده سازی شده است و برای حل چند مساله طبقه بندی مورد استفاده قرار گرفته است.

یادگیری را شروع کنید ...

موضوعات آموزشی مرتبط



به همراه دهها آموزش دیگر مرتبط با داده کاوی و یادگیری ماشین

برای مشاهده آموزش های مرتبط دیگر، در میان بیش از ده هزار ساعت آموزش منتشر شده در فرادرس، جستجو کنید ...


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