00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به کل جلسات ویدیویی از دوره
  • دسترسی به کل جلسات ویدیویی از دوره
  • اضافه شدن دوره به پروفایل
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD

آموزش رایگان یادگیری ماشین با پایتون

دوره‌های رایگان
64 جلسه
98٪ (741 رای)

کاربرد دوره آموزش یادگیری ماشین با پایتون چیست؟

دوره‌ای که در آن زندگی می‌کنیم را عصر داده می‌نامند. داده‌ها و اطلاعات روزبه‌روز در حال افزایش هستند و به قدرت محاسباتی بهتر و منابع ذخیره‌سازی بیشتر نیاز دارند. چالش واقعی در این دوران درک تمام داده‌هاست. واضح است که این کار از مغز انسان برنمی‌آید و باید از سیستم‌های هوشمند و ماشین‌ها بدین‌ منظور بهره برد.

یادگیری ماشین اساساً رشته‌ای از علوم کامپیوتر است. این علم نوعی هوش مصنوعی محسوب می‌شود که با استفاده از الگوریتم‌ها و روش‌های مخصوص الگوهای داده‌های خام را استخراج می‌کند. به‌عبارت‌دیگر، سیستم‌های کامپیوتری به کمک این علم می‌توانند داده‌ها را به همان روشی که انسان تولید می‌کند، فراهم آورند.

اخیراً سازمان‌ها سرمایه‌گذاری زیادی روی فناوری‌های جدید مانند هوش مصنوعی، یادگیری ماشین و یادگیری عمیق در پایتون انجام می‌دهند تا اطلاعات کلیدی را از داده‌ها برای انجام کارهای واقعی متعدد و حل مشکلات استخراج کنند.

کارگاه یادگیری ماشین با پایتون مقدمات انجام کارهای زیر را فراهم می‌کند:

  • تشخیص چهره
  • اتومبیل‌های خودران
  • تبلیغات
  • دستیار صوتی
  • الگوریتم‌های فیلترینگ
  • سیستم‌های نظارتی
  • کمپین‌های انتخاباتی و سیاسی
  • تصمیم‌گیری تجاری

 

هدف از یادگیری دوره آموزش یادگیری ماشین با پایتون چیست؟

تمرکز اصلی یادگیری ماشین با پایتون این است که سیستم‌های کامپیوتری را قادر سازد تا بدون برنامه‌ریزی صریح یا مداخله انسان، با کمک تجربه چیزهایی یاد بگیرند. واقعیت این است که ما برای حل مشکلات به هوش انسانی نیاز داریم ولی از طرف دیگر حل مشکلات دنیای واقعی در ابعاد بزرگ برای انسان دشوار است.

بنابراین هدف از آموزش یادگیری عمیق در پایتون این است که بتوانید سیستم‌هایی بسازید که قادر باشند داده‌ها را تحلیل کنند، یاد بگیرند و تصمیمات داده‌محور اتخاذ کنند.

 

دوره آموزش یادگیری ماشین با پایتون مناسب چه کسانی است؟

دوره آموزش ماشین لرنینگ با پایتون برای تمام فارغ‌التحصیلان، دانشجویان تحصیلات تکمیلی و محققان و کسانی که به این موضوع علاقه‌مندند، مناسب است. افراد زیر می‌توانند با استفاده از این دوره یادگیری ماشین با پایتون را فرابگیرند:

  • کسانی که به طور مقدماتی با پایتون آشنایی دارند.
  • افراد مبتدی و تازه‌کاری که به یادگیری ماشین پایتون علاقه‌مندند.
  • کسانی که قصد دارند در زمینه علم داده (data science) فعالیت کنند.

 

بعد از فراگیری دوره آموزش یادگیری ماشین با پایتون چه مهارت‌هایی کسب خواهید کرد؟

  • آشنایی با برنامه‌نویسی پایتون
  • آشنایی با چهار پکیج قدرتمند یادگیری ماشین در پایتون که عبارت‌اند از: numpy ،pandas ،matplotlib و seaborn
  • انجام محاسبات علمی در پایتون
  • رسم نمودارهای دوبعدی و آماری
  • آشنایی با مفاهیم پایه آماری، ارتباط بین متغیرها و انواع تست‌ها
  • آماده‌کردن دیتا برای الگوریتم‌های ماشین لرنینگ با پایتون
  • ساخت یک سیستم توصیه‌گر (recommended system)

 

سرفصل‌های دوره آموزش یادگیری ماشین با پایتون چیست؟

چهار پکیج یا کتابخانه قدرتمند در پایتون وجود دارد که از آن‌ها می‌توان برای یادگیری ماشین با پایتون استفاده کرد. در این دوره به بررسی و آموزش این کتابخانه‌ها می‌پردازیم و نحوه استفاده از آن‌ها و کاربردشان را به شما آموزش می‌دهیم. با استفاده از این کتابخانه‌ها می‌توانید محاسبات علمی انجام دهید، نمودارهای متنوعی بکشید، داده‌ها را برای الگوریتم‌های ماشین لرنینگ آماده کنید و با الگوریتم‌های یادگیری نظارت شده و بدون نظارت آشنا شوید.

 

** دوره درحال تکمیل است

سرفصل‌های دوره آموزش رایگان یادگیری ماشین با پایتون

فصل اول: کتابخانه‌ی numpy
00:41 ساعت
00:41
Combined Shape Created with Sketch. 6 جلسه
نمایش جلسات فصل  

نام‌پای یک ابزار قدرتمند برای انجام محاسبات علمی است که از آرایه‌ها و ماتریس‌های چندبعدی و بزرگ پشتیبانی می‌کند. این پکیج دسترسی به توابع ریاضی، روتین‌های جبری، اعداد تصادفی و غیره را برایتان فراهم می‌کند. در این فصل از دوره آموزش یادگیری ماشین با پایتون استفاده از پکیج کاربردی نام‌پای را یاد می‌گیرید.

مقدمه - یادگیری ماشینی چیست؟
"11:56
آموزش پکیج numpy در numpy - array ها و ماتریس‌ها
"06:10
broadcasting در numpy
"04:11
جمع، تفریق، تقسیم و جذر در numpy
"07:20
متدها و فیلتر کردن در numpy
"04:52
میانگین، واریانس، میانه، کواریانس و مقدار تعداد تکرار
"07:06
فصل دوم: ‌کتابخانه‌ی pandas
00:29 ساعت
00:29
Combined Shape Created with Sketch. 4 جلسه
نمایش جلسات فصل  

از مهم‌ترین کارهایی که در زمینه یادگیری عمیق در پایتون باید انجام شود، تحلیل داده است. کتابخانه pandas از بهترین ابزارهایی است که به مهندسان و دانشمندان در این راه کمک می‌کند. با استفاده از pandas می‌توانید انواع عملیات‌های دست‌کاری داده‌ها و محاسبات علمی را به‌راحتی انجام دهید. ازاین‌رو، این فصل را به آموزش pandas اختصاص داده‌ایم.

پکیج pandas
"07:25
دیتافریم (data frame) چیست؟
"06:39
متدهای دیتافریم
"07:37
مرتب کردن داده‌ها
"07:56
فصل سوم: کتابخانه‌ی matplotlib
00:55 ساعت
00:55
Combined Shape Created with Sketch. 8 جلسه
نمایش جلسات فصل  

با کمک محتواهای ارائه شده در این فصل می‌توانید داده‌ها را ترسیم کرده و به شکل نمودارهای مختلف دربیاورید. دو کتابخانه matplotlib و seaborn این کار را برای شما راحت می‌کنند. در این فصل به شما آموزش می‌دهیم که چگونه با استفاده از matplotlib به‌رسم نمودارهای دوبعدی و با استفاده از seaborn به‌رسم نمودارهای آماری بپردازید.

نمودار در matplotlib
"07:59
رسم نمودار
"06:06
آموزش رسم نمودار جزییات در نمودار رنگ‌ها
"08:40
رسم دو نمودار همزمان و اضافه کردن جزییات
"10:50
رسم چند نمودار در کنار هم
"03:47
پکیج seaborn
"07:09
پکیج boxplot
"05:51
jointplot ها و pairplot ها
"05:36
فصل چهارم: مباحث آماری
01:15 ساعت
01:15
Combined Shape Created with Sketch. 12 جلسه
نمایش جلسات فصل  

لازمه کار با دیتا آشنایی با مباحث آماری است. ازاین‌رو این فصل به آمار اختصاص‌ یافته است. در ابتدا مفاهیم پایه مانند واریانس و کوواریانس را به شما آموزش می‌دهیم. سپس به بررسی نمودارهای ecdf و ارتباط بین متغیرها (correlation) می‌پردازیم. کتابخانه SciPy از مهم‌ترین ابزارها در این زمینه است که در این فصل فانکشن‌هایی از آن که کاربرد بیشتری دارد را آموزش می‌دهیم.

اهمیت آمار
"07:18
نمودار ECDF
"06:02
کمیت‌های آماری
"04:23
کواریانس
"05:52
ارتباط یا correlation
"09:50
ضریب پیرسن (pearson)
"04:18
روش‌‌های غیرپارامتریک correlation
"04:51
chi-square
"06:46
کاربرد chi-square
"08:08
تست chi-square با پایتون
"06:04
مفهوم احتمال
"07:39
توزیع نرمال
"04:00
فصل پنجم: پیش‌پردازش داده‌ها
01:23 ساعت
01:23
Combined Shape Created with Sketch. 11 جلسه
نمایش جلسات فصل  

برای کار با الگوریتم‌های ماشین لرنینگ ابتدا باید دیتای لازم را آماده‌سازی کنید. در این فصل ضمن آموزش آماده‌سازی داده‌ها برای این الگوریتم‌ها با مباحثی مانند missing values ،Duplicate data (داده‌های تکراری)، concatenation (ترکیب داده‌ها)، scaling data ،outliers (داده‌های پرت) آشنا می‌شوید.

preprocessing چیست؟
"08:10
preprocessing در پایتون
"08:47
داده‌های خالی (nan)
"06:58
پر کردن داده‌های خالی
"06:31
داده‌های تکراری
"09:49
تبدیل داده‌های غیرعددی به عددی
"07:27
Crosstab ها و pivot_table ها
"03:58
متغیرهای ساختگی (dummy variables)
"07:06
نرمال کردن داده‌ها _ بخش اول
"06:47
نرمال کردن داده‌ها _ بخش دوم
"07:21
نویز و داده پرت و تفاوت آن‌ها
"10:58
فصل ششم: یادگیری نظارت‌ شده (Supervised Learning)
03:07 ساعت
03:07
Combined Shape Created with Sketch. 18 جلسه
نمایش جلسات فصل  
فصل هفتم: یادگیری نظارت نشده (Unsupervised Learning)
00:51 ساعت
00:51
Combined Shape Created with Sketch. 5 جلسه
نمایش جلسات فصل  

در روش یادگیری نظارت نشده یا بدون نظارت داده‌های برچسب‌گذاری نمی‌شوند. در واقع در این نوع یادگیری ماشین به‌ازای هر ورودی خروجی معینی وجود نخواهد داشت و ماشین باید بتواند به‌تنهایی الگوهای میان داده‌ها را پیدا کند. در این فصل به آموزش یادگیری ماشین نظارت نشده می‌پردازیم.

این فصل در حال تکمیل است ...

یادگیری غیر نظارت شده ، clustering و k_means چیست؟
"10:22
نحوه کد زدن k_means و انتخاب تعداد cluster یا inertia
"13:32
خوشه‌بندی سلسله مراتبی یا Hierarchical Clustering
"10:17
الگوریتم Mean Shift
"07:43
الگوریتم DBSCAN
"09:33
استاد دوره
پویان راجیان پویان راجیان

پویان راجیان دانش‌آموخته‌ی کارشناسی مهندسی فناوری اطلاعات و دارای مدرک MCITP 2008 در حوزه شبکه می‌باشد.

وی برنامه‌نویسی تخصصی را با زبان #C آغاز کرد و از دانش‌آموختگان انستیتو ملی بازی‌سازی ایران در حوزه بازی‌سازی با موتور unity می‌باشد. 
در حال حاضر تخصص اصلی او هوش مصنوعی با زبان پایتون است و از سال ۱۳۹۹ برنامه‌نویسی پایتون و هوش مصنوعی را به علاقه‌مندان این زمینه آموزش می‌دهد.

درباره برگزارکننده
مکتب‌خونه مکتب‌خونه

پیش‌نیاز‌های دوره آموزش رایگان یادگیری ماشین با پایتون

شرکت در دوره یادگیری ماشین با پایتون نیازمند این است که شما حداقل آشنایی مقدماتی با پایتون داشته باشید. به همین منظور توصیه می‌شود قبل از شروع این دوره، آموزش مقدماتی زبان پایتون را فرا بگیرید. البته تمام کدها در این دوره به طور کامل برای شما توضیح داده می‌شوند تا شما از این نظر دغدغه‌ای نداشته باشید.

همان‌طور که گفتیم ماشین لرنینگ نوعی هوش مصنوعی است؛ بنابراین آشنایی با این علم نوظهور کمک زیادی به شما در فهم محتواهای ارائه شده خواهد کرد، اما اصراری به گذراندن دوره‌های آموزشی در این زمینه نیست.

کدهایی که در این دوره آموزش داده می‌شود را در گیت‌هاب قرار داده‌ایم؛ بنابراین بهتر است در این سایت ثبت‌نام کنید تا بتوانید کدهای لازم را از این طریق بگیرید.

آموزش پایتون مقدماتی
اطلاعات بیشتر

نظرات  (8 نظر)

کاربر مکتب‌خونه
23:58 - 1400/06/31
کاربر‌ سایت
بسیار عالی بود. لطفا آموزش CNN, Deep learning را روی داده های image را هم قرار بدید. ممنون
پشتیبانی مکتب‌خونه
همراه عزیز؛ از پیشنهاد شما بسیار سپاسگزاریم. لطفا پیشنهادات خود را به ایمیل پشتیبانی ارسال کنید تا جهت پیگیری به واحد مربوطه ارجاع گردد. info@maktabkhooneh.org
علی
00:49 - 1400/06/29
کاربر‌ سایت
بسیار بسیار عالی . اگر ممکن هستش ، دوره یادگیری عمیق هم شروع کنید .
کاربر مکتب‌خونه
21:27 - 1400/06/25
کاربر‌ سایت
بنظرم خیلی معلم خوبین. منتظر ادامه هستم..... تشکر
کاربر مکتب‌خونه
10:57 - 1400/06/22
کاربر‌ سایت
سلام. خسته نباشید. خدا قوت. کارتون درسته.
علی
16:43 - 1400/06/02
کاربر‌ سایت
سلام خسته نباشید من سه تا دوره هوش مصنوعی دیدم و این از همشون بهتر بود دوره عالیه به هر کی که میخواد ماشین لرنینگ یاد بگیره پیشنهاد میکنم لطفاً قسمت های بعدی رو هم قرار بدید ممنون
محمد امین
15:02 - 1400/05/22
کاربر‌ سایت
با اینگه هنوز دوره رو شروع نکردم و فقط ویدیوی مقدمه رو دیدم میشه از فن بیان مدرس متوجه شد که کاملا روی موضوعا اشراف دارند
کاربر مکتب‌خونه
14:26 - 1400/04/25
کاربر‌ سایت
بسیار عالی بود، ممنون جناب راجیان
محسن
17:59 - 1400/03/23
کاربر‌ سایت
آقای راجیان .ممنون به خاطر این دوره خوب و عالی من کارم با sql هست.به قدری این دوره شیرین وجالب هست که میخوام یه روزه تمومش کنم !!! جناب راجیان عزیز.دوره ادامه نداره؟
پشتیبانی مکتب‌خونه
محسن عزیز؛ از اینکه نظر خود را با ما در میان گذاشتید صمیمانه سپاسگزاریم. دوره در حال تکمیل شدن است و به محض آماده شدن روی سایت قرار خواهد گرفت.

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.
اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.
آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: کتابخانه‌ی numpy
00:41 ساعت
00:41
Combined Shape Created with Sketch. 6 جلسه
نمایش جلسات فصل  

نام‌پای یک ابزار قدرتمند برای انجام محاسبات علمی است که از آرایه‌ها و ماتریس‌های چندبعدی و بزرگ پشتیبانی می‌کند. این پکیج دسترسی به توابع ریاضی، روتین‌های جبری، اعداد تصادفی و غیره را برایتان فراهم می‌کند. در این فصل از دوره آموزش یادگیری ماشین با پایتون استفاده از پکیج کاربردی نام‌پای را یاد می‌گیرید.

مقدمه - یادگیری ماشینی چیست؟
"11:56
آموزش پکیج numpy در numpy - array ها و ماتریس‌ها
"06:10
broadcasting در numpy
"04:11
جمع، تفریق، تقسیم و جذر در numpy
"07:20
متدها و فیلتر کردن در numpy
"04:52
میانگین، واریانس، میانه، کواریانس و مقدار تعداد تکرار
"07:06
فصل دوم: ‌کتابخانه‌ی pandas
00:29 ساعت
00:29
Combined Shape Created with Sketch. 4 جلسه
نمایش جلسات فصل  

از مهم‌ترین کارهایی که در زمینه یادگیری عمیق در پایتون باید انجام شود، تحلیل داده است. کتابخانه pandas از بهترین ابزارهایی است که به مهندسان و دانشمندان در این راه کمک می‌کند. با استفاده از pandas می‌توانید انواع عملیات‌های دست‌کاری داده‌ها و محاسبات علمی را به‌راحتی انجام دهید. ازاین‌رو، این فصل را به آموزش pandas اختصاص داده‌ایم.

پکیج pandas
"07:25
دیتافریم (data frame) چیست؟
"06:39
متدهای دیتافریم
"07:37
مرتب کردن داده‌ها
"07:56
فصل سوم: کتابخانه‌ی matplotlib
00:55 ساعت
00:55
Combined Shape Created with Sketch. 8 جلسه
نمایش جلسات فصل  

با کمک محتواهای ارائه شده در این فصل می‌توانید داده‌ها را ترسیم کرده و به شکل نمودارهای مختلف دربیاورید. دو کتابخانه matplotlib و seaborn این کار را برای شما راحت می‌کنند. در این فصل به شما آموزش می‌دهیم که چگونه با استفاده از matplotlib به‌رسم نمودارهای دوبعدی و با استفاده از seaborn به‌رسم نمودارهای آماری بپردازید.

نمودار در matplotlib
"07:59
رسم نمودار
"06:06
آموزش رسم نمودار جزییات در نمودار رنگ‌ها
"08:40
رسم دو نمودار همزمان و اضافه کردن جزییات
"10:50
رسم چند نمودار در کنار هم
"03:47
پکیج seaborn
"07:09
پکیج boxplot
"05:51
jointplot ها و pairplot ها
"05:36
فصل چهارم: مباحث آماری
01:15 ساعت
01:15
Combined Shape Created with Sketch. 12 جلسه
نمایش جلسات فصل  

لازمه کار با دیتا آشنایی با مباحث آماری است. ازاین‌رو این فصل به آمار اختصاص‌ یافته است. در ابتدا مفاهیم پایه مانند واریانس و کوواریانس را به شما آموزش می‌دهیم. سپس به بررسی نمودارهای ecdf و ارتباط بین متغیرها (correlation) می‌پردازیم. کتابخانه SciPy از مهم‌ترین ابزارها در این زمینه است که در این فصل فانکشن‌هایی از آن که کاربرد بیشتری دارد را آموزش می‌دهیم.

اهمیت آمار
"07:18
نمودار ECDF
"06:02
کمیت‌های آماری
"04:23
کواریانس
"05:52
ارتباط یا correlation
"09:50
ضریب پیرسن (pearson)
"04:18
روش‌‌های غیرپارامتریک correlation
"04:51
chi-square
"06:46
کاربرد chi-square
"08:08
تست chi-square با پایتون
"06:04
مفهوم احتمال
"07:39
توزیع نرمال
"04:00
فصل پنجم: پیش‌پردازش داده‌ها
01:23 ساعت
01:23
Combined Shape Created with Sketch. 11 جلسه
نمایش جلسات فصل  

برای کار با الگوریتم‌های ماشین لرنینگ ابتدا باید دیتای لازم را آماده‌سازی کنید. در این فصل ضمن آموزش آماده‌سازی داده‌ها برای این الگوریتم‌ها با مباحثی مانند missing values ،Duplicate data (داده‌های تکراری)، concatenation (ترکیب داده‌ها)، scaling data ،outliers (داده‌های پرت) آشنا می‌شوید.

preprocessing چیست؟
"08:10
preprocessing در پایتون
"08:47
داده‌های خالی (nan)
"06:58
پر کردن داده‌های خالی
"06:31
داده‌های تکراری
"09:49
تبدیل داده‌های غیرعددی به عددی
"07:27
Crosstab ها و pivot_table ها
"03:58
متغیرهای ساختگی (dummy variables)
"07:06
نرمال کردن داده‌ها _ بخش اول
"06:47
نرمال کردن داده‌ها _ بخش دوم
"07:21
نویز و داده پرت و تفاوت آن‌ها
"10:58
فصل ششم: یادگیری نظارت‌ شده (Supervised Learning)
03:07 ساعت
03:07
Combined Shape Created with Sketch. 18 جلسه
نمایش جلسات فصل  
فصل هفتم: یادگیری نظارت نشده (Unsupervised Learning)
00:51 ساعت
00:51
Combined Shape Created with Sketch. 5 جلسه
نمایش جلسات فصل  

در روش یادگیری نظارت نشده یا بدون نظارت داده‌های برچسب‌گذاری نمی‌شوند. در واقع در این نوع یادگیری ماشین به‌ازای هر ورودی خروجی معینی وجود نخواهد داشت و ماشین باید بتواند به‌تنهایی الگوهای میان داده‌ها را پیدا کند. در این فصل به آموزش یادگیری ماشین نظارت نشده می‌پردازیم.

این فصل در حال تکمیل است ...

یادگیری غیر نظارت شده ، clustering و k_means چیست؟
"10:22