آموزش رایگان یادگیری ماشین با پایتون

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 ... ادامه

ارائه دهنده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
پویان راجیان
پویان راجیان
4.6 (55 رای)
 رایگان
  
زمان مورد نیاز برای گذارندن دوره:  68 جلسه
مجموع محتوای آموزشی:  10 ساعت ویدئو
 (قابل دانلود می‌باشد)

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.

سرفصل‌های دوره آموزش رایگان یادگیری ماشین با پایتون

فصل اول: کتابخانه‌ی numpy

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

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

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

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

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)

یادگیری نظارت شده به روشی اشاره دارد که در آن یادگیری ماشین با استفاده از داده‌های برچسب‌گذاری شده انجام می‌شود. این فصل شامل دو موضوع اساسی classification و regression است. همچنین در این فصل الگوریتم‌های معروفی مانند درخت تصمیم را بررسی می‌کنیم.

  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
"12:42  
  الگوریتم شبکه عصبی چیست؟
"13:23  
فصل هفتم: یادگیری نظارت نشده (Unsupervised Learning)

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  

درباره 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)

 

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

درباره استاد

maktabkhooneh-teacher 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.

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.
1402-10-19
بسیاااار عالی بود‌‌
یاسمن شریفی شریفی 1402-10-09
عالی است
ابراهیم رستمی 1402-09-19
عالی بود دستتون درد نکنه
آسیه زارع 1402-05-31
خوبید دیگه چی بگم، با آشنایی خیلی کم از پایتون شروع کردم، کلی پایتون یاد گرفتم و البته ماشین لرنینگ، ممنون استاد.
سمیه جلالیان 1402-04-09
خسته نباشید استاد. دوره عالی هستش. فقط مثل اینکه چند ویوئو دیگه مونده، اونا کی آپلود میشن؟
مکتب‌خونه
همراه عزیز؛ تمامی فایل ها و ویدئوهایی که در اختیار مکتب خونه قرار گرفته شده اند روی سایت بارگذاری شده است.
فاطمه محمدزاده 1402-01-27
دوره مفید و کاملی بود.
فرید منصورآبادی 1401-12-29
بسیار عالی
1401-11-17
بسیار عااالی و قابل فهم 👍👍
1401-10-17
حقیقتا نمیتونم کمتر از پنج ستاره امتیاز بدم.. عالیه
1401-09-27
سلام متشکر از زحمتی که کشیدید. فصل ۶ کمی سرعت تدریس زیاده و مفاهیم باز نمیشن. درخت تصمیم فیلمش جا مانده و بارگزاری نشده. نیو بیز و شبکه نای عصبی هم فیلمش جا به جاست. فصل ۸ هم در مقدمه گفتید میارید ولی نبود. البته من فقط تا اخر فصل ۶ فعلا دیدم . سوای این ایرادات کوچک، واقعا عالی بود. انشاالله خدا خیرتان بدهد. موفق باشید.
امين احمدي 1401-08-22
مختصر، مفید، کاربردی، بدون حاشیه پردازی و اضافه گویی
محمد سلیمی 1401-07-15
عالی بود. اصل مطالب رو با زبان ساده آموزش دادن . بسیار سپاسگزارم از ایشون.
1401-07-05
دوره بسیار خوب و مفیدی بود. موارد مهم اورده شده و از گفتن حاشیه پرهیز شده. پیشنهاد بنده این هست با گذاشتن یادگیری تقویتی بحث یادگیری ماشین بصورت کلی را ببندید اقای راجیان. همچنین ویدیوهای بعدی را بفرمایید کی اپلود میشن. ممنونم
مکتب‌خونه
همراه عزیز؛ این دوره در دست ساخت می باشد و هر زمان که ویدئوها در اختیار ما قرار داده شود آن ها را بارگذاری خواهیم کرد.
سیاوش حسن زاده یکتا 1401-05-30
دوره بسیار زیبایی هست واقعا جذاب یود
1401-04-07
سلام ، دوره ی بسیار خوبی هست. مثال ها و مفاهیم رو خیلی روان و ساده توضیح میدن. توی بخش پیش پردازش، قسمت آخر، تفاوت نویز و اوت لایر، بنظرم چارک اول رو اشتباه به دست آوردن. وقتی که داده ها زوج باشه، میانگین دو عدد ِ وسط میشه میانه. حالا اعداد سمت چپش ، تعدادشون فرد هست. پس چارک اول نیازی به میانگین گیری نداره.
1
2
3

دوره‌های پیشنهادی

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.

سوالات پرتکرار

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.

سوالات پرتکرار

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.
poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن دوره:  68 جلسه
مجموع محتوای آموزشی:  10 ساعت ویدئو
 (قابل دانلود می‌باشد)