دوره ماشین لرنینگ سون لرن

محتوای این دوره، شامل ویدئوها، فایل‌های پیوست، پروژه‌ها و یادداشت‌ها، با هدف یادگیری سریع‌تر و مؤثرتر طراحی شده‌اند. تمامی دوره های رایگان کده به‌صورت رایگان و همچنین از طریق خرید اشتراکی در دسترس بوده و سعی شده همواره تمامی دوره ها بدون قفل و دارای آخرین آپدیت باشند. دوره ها فقط از سمت ربات تلگرامی رایگان کده قابل دانلود هستند.

1/5 - (1 امتیاز)
|
10 ساعت
-
-

دوره ماشین لرنینگ سون لرن

محتوای این دوره، شامل ویدئوها، فایل‌های پیوست، پروژه‌ها و یادداشت‌ها، با هدف یادگیری سریع‌تر و مؤثرتر طراحی شده‌اند. تمامی دوره های رایگان کده به‌صورت رایگان و همچنین از طریق خرید اشتراکی در دسترس بوده و سعی شده همواره تمامی دوره ها بدون قفل و دارای آخرین آپدیت باشند.

1/5 - (1 امتیاز)
وضعیت آپدیت

این دوره تا آخرین پارت منتشر شده از سوی سازنده (جمع‌بندی و قدم‌های بعدی) قرار گرفته است!

نوع لایسنس

این دوره بدون هیچ لایسنس و قفل نرم‌افزاری با فرمت MP4 قرار گرفته است!

توضیحات
۱/۵ - (۱ امتیاز)

یادگیری ماشین یعنی با استفاده از داده‌های موجود، برنامه‌ای ایجاد کنیم که در آینده بتواند مستقل از انسان، پیش‌بینی انجام بدهد و یکی از شاخه‌های هوش مصنوعی به حساب می‌آید. در این دوره قصد داریم الگوریتم‌های یادگیری ماشین و پیاده‌سازی آنها با استفاده از زبان برنامه‌نویسی پایتون را به شما یاد بدهیم. در ابتدا با هم زبان برنامه‌نویسی پایتون را تمرین می‌کنیم و یاد می‌گیریم که چطور با پایتون کد بزنیم.

بعد، به سراغ کتابخانه‌های کاربردی پایتون می‌رویم که دلیل اصلی محبوبیت این زبان برنامه نویسی برای کارهای تحلیل داده است. یاد می‌گیریم که چطور داده‌ها را وارد برنامه خودمان کنیم و آنها را آماده استفاده کنیم. در مرحله بعدی به سراغ الگوریتم‌هایی که برای حل مسائل رگرسیون استفاده می‌شود می‌رویم. در این مسائل ما می‌خواهیم یک متغیر عددی رو پیش‌بینی کنیم، مثل قیمت یک کالا، میزان فروش یک شرکت، درآمد یک فرد و از این نوع متغیرها.

دسته بعدی، مسائل طبقه بندی هستند که به سراغشان می‌رویم. تشخیص ایمیل‌های اسپم، پیدا کردن تخلف و تشخیص بیماری‌ها با استفاده از داده‌های موجود از جمله کارهایی است که می‌شود با این الگوریتم‌ها انجام داد. در آخر هم مسائل خوشه بندی را بررسی می‌کنیم که در دسته‌بندی مشتریان یک کسب‌وکار و در مسائل زیادی دیگری کاربرد دارد.

بعد از گذراندن این دوره قادر هستید که مسائل یادگیری ماشین را خودتان حل کنید و نتایجش را ارزیابی کنید و از آن برای پیش‌بینی استفاده کنید.

یادگیری ماشین برای بیزینس‌های امروز چه کاربردی دارد؟
ماشین لرنینگ کاربرد‌های بسیار زیادی دارد اما یکی از جذاب‌ترین کاربرد‌های آن تحلیل داده است ، چرا که بیزینس‌ها با تحلیل داده از طریق ماشین لرنینگ می‌توانند مارکت را بهتر بشناسند ، پتانسیل‌های آنرا دقیق‌تر تحلیل کنند و مشتریان را به درستی دسته بندی و شناسایی کنند. شناخت هر چه بیشتر بازار می‌تواند به رشد یک بیزینس کمک شایانی داشته باشد. بنابرین از آموزش ماشین لرنینگ غافل نشوید چرا که بازار فردا ، بازار این حوزه است.

دوره آموزشی ماشین لرنینگ سون لرن با چه زبان برنامه نویسی است؟
بی تردید زبان برنامه نویسی پایتون جزو یکی از مهم‌ترین زبان هایی است که در حوزه هوش مصنوعی کاربرد دارد ، این زبان گرچه سن کمی دارد اما قدرت و تونایی خارق العاده ای در این حوزه دارد. ما نیز در دوره آموزش ماشین لرنینگ از زبان پایتون به عنوان زبان برنامه نویسی اصلی تدریسمان استفاده کرده ایم.

سرفصل‌ها
  • یادگیری ماشین چیست؟
  • آماده‌سازی محیط کدنویسی
  • معرفی پایتون
  • List and Dictionary
  • if, elif and else
  • While
  • For loops
  • Functions
  • حل تمرین
  • کتابخانه numpy
  • کتابخانه pandas قسمت اول
  • کتابخانه pandas قسمت دوم
  • کتابخانه pandas قسمت سوم
  • کتابخانه pandas قسمت چهارم
  • کتابخانه matplotlib
  • آشنایی با پیش‌پردازش داده‌ها
  • متغیرهای کیفی
  • تقسیم‌بندی به داده‌های train و test
  • همسان‌سازی مقیاس داده‌ها
  • معرفی رگرسیون خطی ساده
  • پیاده‌سازی رگرسیون خطی ساده
  • رگرسیون خطی چدمتغیره – بخش اول
  • رگرسیون خطی چند متغیره – بخش دوم
  • رگرسیون چندجمله‌ای
  • الگوریتم درخت تصمیم
  • الگوریتم جنگل تصادفی (Random Forest)
  • الگوریتم Support Vector Regression (SVR)
  • معرفی مسئله پیش‌بینی قیمت خودرو
  • معرفی معیارهای ارزیابی مدل
  • پیش‌پردازش داده‌ها: missing values
  • پیش‌پردازش داده‌ها: encoding categorical data
  • پیاده‌سازی الگوریتم‌ها و انتخاب مدل
  • الگوریتم رگرسیون لاجستیک
  • الگوریتم K-nearest neighbors برای طبقه‌بندی
  • الگوریتم درخت تصمیم برای طبقه‌بندی
  • الگوریتم جنگل تصادفی (Random Forest) برای طبقه‌بندی
  • الگوریتم Support Vector Machine(SVM)
  • الگوریتم Naïve Bayes
  • معرفی مسئله تشخیص بیماری قلبی
  • معرفی معیارهای ارزیابی مدل
  • پیاده‌سازی الگوریتم‌ها و انتخاب مدل
  • معرفی مسائل خوشه‌بندی
  • الگوریتم K-means
  • الگوریتم خوشه‌بندی سلسله‌مراتبی
  • الگوریتم DBSCAN
  • Hyper Parameter Optimization, cross validation
  • ذخیره‌سازی مدل‌ها
  • جمع‌بندی و قدم‌های بعدی
مخاطبین
  • کسانی که به دنبال رشد بیزنس خود هستند و میخواهند مشتری و بازار کار خود را شناسایی کنند و بهتزین خدمات را ارائه دهند.
  • مدیران کسب و کار های بزرگی که به دنبال شناسایی درست، بازار و پتانسیل های دقیق تر آن هستند.
  • افرادی که به کار با داده‌ها علاقه دارند و از استخراج الگوها و اطلاعات از داده‌ها لذت می‌برند.
  • اگر با مفاهیم پایه برنامه نویسی مانند پایتون و… آشنایی کافی ندارید، بهتر است قبل از شروع این دوره دست به کار بشوید و آن را بیاموزید.
  • افرادی که علاقه‌ای به کار با داده‌ها، تجزیه و تحلیل آن‌ ندارند، این دوره برایشان مناسب نییست.
  • یادگیری ماشین نیاز به دانش قوی در ریاضیات، به‌ویژه جبر خطی، احتمال و آمار دارد، اگر  علاقه ای به مفاهیم ریاضی ندارید این دوره مناسب شما نیست.
سوالات متداول

پیش‌نیاز این دوره آشنایی با ریاضیات در حد دبیرستان و علاقه‌مندی به کار با داده‌هاست.

در یک سازمان، معمولا تحلیل‌گرهای داده و یا دانشمندهای داده وظیفه توسعه برنامه‌ها را بر پایه الگوریتم‌های یادگیری ماشین دارند.

سایر دوره‌ها
دیدگاه کاربران

دیدگاهتان را بنویسید

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