×
ribbon

آموزش پایه‌های یادگیری ماشین

مدرس:The Great Courses

Google Career Certificates

در دوره "The Nuts and Bolts of Machine Learning"، شما درباره یادگیری ماشین آموزش می بینید که از... بیشتر
زیرنویس
بدون امتیاز
339دانشجو
4ساعت
سرفصل‌ها
پیشرفته سطح دوره

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

آنچه در این دوره می‌آموزید

نحوه شناسایی ویژگی‌های انواع مختلف یادگیری ماشین

یادگیری آماده‌سازی داده برای مدل‌های یادگیری ماشین

چگونگی ساخت و ارزیابی مدل‌های یادگیری نظارت‌شده و بدون نظارت با استفاده از پایتون

یادگیری نمایش انتخاب مناسب مدل و معیار برای الگوریتم یادگیری ماشین

این دوره شامل:

4 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

5 فصل56 جلسه4 ساعت ویدیو
انواع مختلف یادگیری ماشین
  مقدمه‌ای بر دوره
04:08
  سوشیلا: خوشحال کردن مردم با داده
02:45
  خوش‌آمدگویی
01:14
  انواع اصلی یادگیری ماشین
06:53
  تشخیص زمان بی‌نهایت بودن ویژگی‌ها
03:08
  ویژگی‌های دسته‌ای و مدل‌های طبقه‌بندی
04:21
  هدایت علاقه کاربران با سیستم‌های توصیه‌گر
06:57
  برابری و انصاف در یادگیری ماشین
03:36
  ساخت مدل‌های اخلاقی
04:29
  پایتون برای یادگیری ماشین
04:47
  انواع مختلف IDEهای پایتون
02:37
  بیشتر درباره پکیج‌های پایتون
03:35
  منابع برای پاسخ به سوالات برنامه‌نویسی
03:14
  تیم یادگیری ماشین شما
02:16
  سامانتا: ارتباط با جامعه حرفه‌ای داده
02:57
  جمع‌بندی
01:42
گردش کار برای ساخت مدل‌های پیچیده
  خوش‌آمدگویی
01:23
  PACE در یادگیری ماشین
01:31
  برنامه‌ریزی برای یک پروژه یادگیری ماشین
02:12
  گنش: غلبه بر چالش‌ها و یادگیری از اشتباهات
02:55
  تحلیل داده‌ها برای یک مدل یادگیری ماشین
03:13
  مقدمه‌ای بر مهندسی ویژگی
05:36
  حل مشکلات مربوط به مجموعه داده‌های نامتوازن
04:24
  مهندسی ویژگی و تعادل کلاس‌ها
07:43
  مقدمه‌ای بر Naive Bayes
04:27
  ساخت یک مدل Naive Bayes با پایتون
09:59
  شاخص‌های ارزیابی کلیدی برای مدل‌های طبقه‌بندی
03:39
  جمع‌بندی
01:29
تکنیک‌های یادگیری بدون نظارت
  خوش‌آمدگویی
02:13
  مقدمه‌ای بر K-means
05:03
  استفاده از K-means برای فشرده‌سازی رنگ با پایتون
07:29
  شاخص‌های کلیدی برای نمایش خوشه‌بندی K-means
03:48
  شاخص‌های اینرسی و ضریب سیلوئت
04:28
  کاربرد اینرسی و امتیاز سیلوئت با پایتون
09:13
  جمع‌بندی
01:16
مدل‌سازی مبتنی بر درخت
  خوش‌آمدگویی
01:42
  مدل‌سازی مبتنی بر درخت
04:29
  ساخت یک درخت تصمیم با پایتون
06:39
  تنظیم یک درخت تصمیم
05:19
  بررسی عملکرد با استفاده از اعتبارسنجی
03:29
  تنظیم و اعتبارسنجی درخت‌های تصمیم با پایتون
05:08
  Bootstrap aggregation
05:04
  بررسی یک جنگل تصادفی
02:48
  تنظیم یک جنگل تصادفی
04:07
  ساخت و اعتبارسنجی متقابل یک مدل جنگل تصادفی با پایتون
05:05
  ساخت و اعتبارسنجی یک مدل جنگل تصادفی با استفاده از مجموعه داده اعتبارسنجی
07:59
  مقدمه‌ای بر بوستینگ: AdaBoost
05:28
  ماشین‌های گرادیان بوستینگ
04:50
  تنظیم یک مدل GBM
05:01
  ساخت یک مدل XGBoost با پایتون
07:13
  جمع‌بندی
02:05
پروژه پایانی
  خوش‌آمدگویی
01:44
  اوری: تحت تأثیر قرار دادن مصاحبه‌کنندگان با راه‌حل‌های منحصر به فرد
02:34
  مقدمه‌ای بر پروژه نهایی
01:45
  جمع‌بندی پروژه نهایی و نکات برای موفقیت حرفه‌ای
03:32
  جمع‌بندی دوره
03:19

پیش‌نیاز‌ها

برای درک و استفاده بهتر از این دوره، داشتن دانش و مهارت‌های پایه‌ی تحلیل داده و ابزارهای مرتبط الزامیست.

توضیحات دوره

در دوره "The Nuts and Bolts of Machine Learning"، شما درباره یادگیری ماشین آموزش می‌بینید که از الگوریتم‌ها و آمار برای آموزش سیستم‌های کامپیوتری به منظور کشف الگوها در داده‌ها استفاده می‌شود. حرفه‌ای‌های داده از یادگیری ماشین برای تجزیه و تحلیل مقادیر بزرگ داده، حل مسائل پیچیده و انجام پیش‌بینی‌های دقیق استفاده می‌کنند.

شما بر روی دو نوع اصلی یادگیری ماشین، یعنی نظارت شده و بدون نظارت، تمرکز خواهید داشت. همچنین یاد خواهید گرفت که چگونه مدل‌های یادگیری ماشین مختلف را برای حل مسائل تجاری به کار ببرید و با مدل‌های خاصی مانند Naive Bayes، درخت تصمیم، جنگل تصادفی و غیره آشنا شوید.

کارمندان گوگل که در حال حاضر در این زمینه کار می‌کنند، شما را از طریق فعالیت‌های عملی که وظایف مرتبط را شبیه‌سازی می‌کنند، با مثال‌هایی از کار روزمره‌شان آشنا می‌کنند و به شما کمک می‌کنند مهارت‌های تجزیه و تحلیل داده خود را برای آمادگی برای حرفه‌ای‌تر شدن ارتقا دهید.

تا پایان این دوره، شما قادر خواهید بود:

  • تکنیک‌های مهندسی ویژگی را با استفاده از پایتون اعمال کنید
  • یک مدل Naive Bayes را بسازید
  • توضیح دهید چگونه یادگیری بدون نظارت از یادگیری نظارت شده متمایز است
  • الگوریتم K-means را در پایتون کد کنید
  • نتایج مدل K-means را ارزیابی و بهینه‌سازی کنید
  • مدل‌های درخت تصمیم را بررسی کنید، چگونگی عملکرد آن‌ها و مزایای آن‌ها نسبت به انواع دیگر یادگیری ماشین را توضیح دهید
  • مفهوم bagging در یادگیری ماشین، به ویژه برای مدل‌های جنگل تصادفی را توصیف کنید
  • افزایش در یادگیری ماشین، به ویژه برای مدل‌های XGBoost را تفکیک کنید
  • پارامترهای تنظیم مدل و نحوه اثرگذاری آن‌ها بر عملکرد و معیارهای ارزیابی را توضیح دهید

دیدگاه کاربران

هنوز امتیاز و دیدگاهی برای این دوره ثبت نشده است

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه
51دوره
17,032دانشجو
433نظر و امتیاز

گواهی‌های شغلی Google بخشی از برنامه Grow with Google است که از طریق آموزش‌هایی مانند این درس در تلاش است تا به همه  کسانی که نیروی کار امروز را تشکیل می‌دهند و دانش‌آموزانی که نیروی کار فردا را هدایت می‌کنند آموزش دهد و با ایجاد بستری مناسب زمینه دسترسی به بهترین آموزش‌ها و ابزارهای Google برای رشد مهارت‌ها، مشاغل و کسب‌وکارها را ایجاد کند.

مهارت‌هایی که می‌آموزید

دوره‌های مشابه

دیگر دوره‌های Google Career Certificates

سوالات پرتکرار

آیا بعد از پایان مدت دوره همچنان به محتوای آن دسترسی دارم؟

بله. پس از پایان مدت دوره نیز به ویدئوها، تمرین‌ها، پروژه‌ها و سایر محتوای آموزشی دوره دسترسی خواهید داشت؛ اما امکان تصحیح تمرین‌ها توسط پشتیبان دوره و دریافت گواهی‌نامه برای شما وجود نخواهد داشت.