×
ribbon

آموزش رایگان یادگیری ماشین با پایتون

مدرس:

پویان راجیان

دوره ای که در آن زندگی می کنیم را عصر داده می نامند. داده ها و اطلاعات روزبه... بیشتر
4.4 (183)
69 دیدگاه
21,926دانشجو
10ساعت
سرفصل‌ها

اشتراک مکتب‌پلاس

خرید اشتراک

با خرید اشتراک مکتب‌پلاس، علاوه بر این دوره، به بیش از ۴،۰۰۰ دوره دیگر دسترسی خواهید داشت.

دسترسی به تمام دوره‌هابیش از ۴،۰۰۰ دوره
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

این دوره شامل:

10 ساعت ویدئو

7 فایل ضمیمه قابل دانلود

دسترسی مادام‌العمر به محتوای دوره

سرفصل‌های دوره

7 فصل68 جلسه10 ساعت ویدیو
فصل اول: کتابخانه‌ی numpy
  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
  پکیج pandas
07:25
  دیتافریم (data frame) چیست؟
06:39
  متدهای دیتافریم
07:37
  مرتب کردن داده‌ها
07:56
فصل سوم: کتابخانه‌ی matplotlib
  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
  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
  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)
  یادگیری نظارت‌شده (Supervised Learning)
09:51
  وارد کردن دیتاست iris
11:16
  الگوریتم knn
10:56
  متریک در الگوریتم KNN
08:43
  چگونگی بررسی عملکرد یک الگوریتم
09:45
  overfitting و underfitting
13:38
  رگرسیون خطی چیست؟
10:33
  دیتاست boston و تمرین برای linear regression
08:00
  خطا در linear regression چگونه محاسبه می‌شود؟
09:50
  تقسیم کردن اطلاعات به چند بخش (K_fold cross validation)
05:35
  تابع جریمه, Regularization term ,ridge regression ,Lasso regression
17:16
  confusion matrix
12:59
  لجیستیک رگرسیون چیست؟
06:49
  threshold در Logistic regression
09:29
  روشی برای پیداکردن هایپر پارامترها
05:50
  تعیین هایپر پارامترها Random search cross validation
11:22
  Naive Bayes
13:23
  الگوریتم شبکه عصبی چیست؟
12:42
فصل هفتم: یادگیری نظارت نشده (Unsupervised Learning)
  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

پیش‌نیاز‌ها

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.

توضیحات دوره

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)

اگر علاوه بر مهارت های بالا علاقمند آشنایی با استفاده از پایتون در هوش مصنوعی هستید، دوره های آموزش هوش مصنوعی با پایتون مکتب خونه می تواند برای شما بسیار مفید باشد.

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.

در مکتب خونه انواع دوره آموزش هوش مصنوعی، آموزش یادگیری ماشین و آموزش پایتون به عنوان مکمل و پیش نیاز این دوره موجود است.

** دوره درحال تکمیل است

دیدگاه کاربران

4.4

بر اساس امتیاز 183 دانشجو

1
2
3
4
5

محمد ثقفی منش

9 روز پیش

5

به نسبت خیلی دوره های دیگه بهتر بود. سپاس از استاد

دانشجوی دوره

11 روز پیش

5

عالی

دانشجوی دوره

23 روز پیش

5

عالی بود

دانشجوی دوره

25 روز پیش

5

مفید و مفهومی. ممنونم که این دوره رو دراختیار ما گذاشتید

دانشجوی دوره

1 ماه پیش

5

بسیار عالی خداخیرتون بده، خیلی عقب موندم از پایان نامم چون دنبال همچین چیزی برا شروع بودم عالی

دانشجوی دوره

2 ماه پیش

5

عالی خیلی خودمونی

پویان راجیان
1دوره
21,926دانشجو
183نظر و امتیاز

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.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

سوالات پرتکرار

آیا ممکن است برخی جلسات یک درس ناقص باشند؟

معمولا تمامی جلسات هر درس به‌طور کامل ضبط می‌شوند؛ اما گاهی به دلیل برخی ناهماهنگی‌ها ممکن است یک یا چند جلسه ضبط نشده باشد. جزئیات این موارد در توضیحات هر درس درج شده است.

اگر لینک دانلود یا پخش ویدئو مشکل داشت، چه کاری باید انجام داد؟

در صورت مواجهه با هرگونه مشکل در دانلود یا پخش ویدئو، می‌توانید از طریق صفحه ارتباط با ما اطلاع دهید تا تیم پشتیبانی به‌سرعت مشکل را بررسی و رفع کند.

آیا می‌توان ویدئوهای یک درس را به‌صورت سی‌دی یا دی‌وی‌دی از شما تهیه کرد؟

در حال حاضر امکان ارسال دروس به‌صورت سی‌دی یا دی‌وی‌دی وجود ندارد و همه محتواها به شکل آنلاین ارائه می‌شوند.