00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به 15 جلسه نمونه از دوره
  • دسترسی به 15 جلسه نمونه از دوره
  • عضویت در تالار گفت‌وگوی دوره
  • اضافه شدن دوره به پروفایل
فقط محتوا
  • دسترسی کامل و نامحدود به محتوای دوره
  • تمام قابلیت‌‌های پلن رایگان
    +
  • دسترسی کامل و نامحدود به محتوا
199,000 تومان
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
279,000 تومان
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
مکتب‌خونه مکتب‌خونه

آموزش یادگیری ماشین با پایتون

دوره‌های مکتب‌پلاس
33 ساعت
98٪ (1206 رای)

دوره آموزش یادگیری ماشین با پایتون چیست؟

در این دوره آموزشی به یادگیری ماشین با استفاده از زبان برنامه‌­نویسی شناخته شده و کار­آمد پایتون پرداخته می­‌شود. دوره آموزش یادگیری ماشین با پایتون به این صورت برنامه‌ریزی شده است که از مقدمات شروع می‌­شود و به مباحث پیشرفته و جدید یادگیری ماشین با پایتون می­‌پردازد.

دوره آموزش یادگیری ماشین جادی در دو بخش تدوین شده است؛ در بخش اول شما باهدف یادگیری ماشین و کاربرد آن در دنیای واقعی آشنا خواهید شد. در بخش دوم این دوره یک نمای کلی از مباحث یادگیری ماشین مانند یادگیری تحت نظارت و بدون نظارت، ارزیابی مدل­‌ها و الگوریتم­‌های ماشین لرنینگ به شرکت‌کنندگان ارائه خواهد شد.

 

هدف از آموزش دوره یادگیری ماشین با پایتون چیست؟

هدف از برگزاری این دوره، آموزش ماشین لرنینگ به‌صورت مرحله‌به‌مرحله از مباحث مقدماتی تا مباحث جدید و پیشرفته است. شرکت در این دوره آموزشی به شما کمک خواهد کرد تا در محیط واقعی و کاربردی از زبان برنامه­‌نویسی پایتون استفاده کنید و مهارت خود را در زمینه برنامه­‌نویسی پایتون افزایش دهید. در کنار این موضوع، آموزش یادگیری ماشین را به‌عنوان هدف اصلی این دوره آموزشی دنبال خواهید کرد.

 

در انتهای این دوره چه مهارت‌­هایی کسب خواهید کرد؟

با شرکت در این دوره علاوه بر آشنایی با کلیات یادگیری ماشین شما با مباحث دیگری از مانند مسائل زیر آشنا شوید:

1. یادگیری تحت نظارت و بدون نظارت

2. ارزیابی مدل­‌ها و الگوریتم‌­های یادگیری ماشین

3. رگرسیون

4. طبقه‌بندی

5. خوشه‌بندی

6. یادگیری کیت علمی

7. SciPy

 

ویژگی متمایز این دوره نسبت به دوره‌­های مشابه چیست؟

مدرس این دوره جادی میرمیرانی است. در کنار مدرس حرفه‌­ای و مسلط این دوره ساختاری که برای آموزش این دوره در نظر گرفته شده است نسبت به دوره‌­های مشابه متمایز است. به این صورت که این دوره آموزشی در دو بخش تدوین شده است و در این دو بخش علاوه بر آموزش مقدمات به مباحث جدید و اساسی در آموزش یادگیری ماشین با پایتون پرداخته شده است.

در کنار این موارد در تمام طول دوره شما می‌­توانید سوالات و ابهامات خود را با استاد دوره در میان بگذارید و پاسخ همه سوالات خود را به دست بیاورید. در پایان دوره یادگیری ماشین با پایتون و پس از انجام آزمون در صورت کسب نمره قبولی مدرک معتبر مکتب‌­خونه مربوط به گذراندن این دوره به شما داده می­‌شود و با استفاده از این مدرک شما می­‌توانید شرایط خود را در آزمون‌­های استخدامی و مصاحبه­‌های مربوط به استخدام بهبود ببخشید.

سرفصل‌های دوره آموزش یادگیری ماشین با پایتون

فصل اول: مقدمه یادگیری ماشین با پایتون
00:34 ساعت
00:31
Combined Shape Created with Sketch. 4 جلسه
بارم:
4%
نمایش جلسات فصل  

در این فصل ابتدا با دوره آشنا خواهید شد و یک مقدمه‌ای از یادگیری ماشین با پایتون را خواهید آموخت.

سپس با مفاهیم یادگیری نظارت شده و یادگیری نظارت نشده آشنا خواهید شد و در پایان ارزیابی کوتاهی از آموخته‌های این فصل انجام خواهد شد.

به دوره یادگیری ماشین با پایتون خوش آمدید
"06:30
مقدمه یادگیری ماشین با پایتون
"19:07
یادگیری ماشین بی‌نظارت و با نظارت
"06:16
کوییز مقدمه یادگیری ماشین با پایتون
100.0%
     
"03:00
فصل دوم: رگرسیون Regression
09:00 ساعت
03:55
Combined Shape Created with Sketch. 16 جلسه
بارم:
22%
نمایش جلسات فصل  

رگرسیون در حقیقت خطی نه لزوماً مستقیم است که فاصله آن از تمام نقاط کمترین مقدار باشد. در این فصل ابتدا با مفهوم رگرسیون و سپس با کتابخانه‌های مهم پایتون شامل numpy، pandas و matplotlib آشنا خواهید شد. سپس پیاده‌سازی ساده‌ای از رگرسیون را خواهید آموخت و سپس سراغ مفاهیم پیشرفته‌تری از رگرسیون مثل رگرسیون غیرخطی و رگرسیون چندجمله‌ای می‌رویم و در انتها به پیاده‌سازی این موارد می‌پردازیم.

مقدمه رگرسیون
"16:04
رگرسیون خطی ساده
"15:44
کوییز رگرسیون ساده
6.7%
     
"03:00
ارزیابی مدل
"17:14
نوت‌بوک
"10:49
Numpy
"15:46
Pandas
"21:11
Matplotlib
"17:37
آزمایشگاه رگرسیون ساده
"41:05
رگرسیون چندگانه
"10:26
کوییز رگرسیون چندگانه
4.4%
     
"02:00
آزمایشگاه رگرسیون چندگانه
"10:49
رگرسیون غیر خطی
"10:12
آزمایشگاه چند جمله‌ای
"19:37
آزمایشگاه رگرسیون غیر خطی
"28:33
پروژه رگرسیون Regression

 (الزامی)

88.9%
     
"300:00
فصل سوم: دسته بندی Classification
08:53 ساعت
03:42
Combined Shape Created with Sketch. 19 جلسه
بارم:
25%
نمایش جلسات فصل  

طبقه‌بندی (Classification) یکی از روش‌های یادگیری ماشین است که برای یادگیری چگونگی تخصیص برچسب کلاس به یک نمونه ورودی، استفاده می‌شود. در این فصل به الگوریتم‌های مختلف دسته‌بندی نظیر KNN، درخت تصمیم، رگرسیون خطی و لجستیک در دسته‌بندی و svm پرداخته می‌شود. در انتهای هر مبحث پیاده‌سازی هرکدام از این موارد در پایتون به تفکیک آموزش خواهید دید و خواهید آموخت هرکدام از این الگوریتم‌ها چه نقاط قوت و ضعفی دارند و موقعیت استفاده هرکدام چیست.

مقدمه دسته‌بندی
"17:39
کوییز مقدمه دسته بندی
3.9%
     
"02:00
مقدمه KNN
"16:08
ارزیابی KNN
"25:00
آزمایشگاه KNN
"28:26
کوییز آزمایشگاه KNN
3.9%
     
"02:00
مقدمه درخت تصمیم
"07:02
ریاضیات درخت تصمیم
"12:48
آزمایشگاه درخت تصمیم
"18:39
کوییز آزمایشگاه درخت تصمیم
3.9%
     
"02:00
مقدمه رگرسیون لجیستیک
"12:57
رگرسیون لجیستیک و خطی
"13:23
آموزش رگرسیون لجیستیک
"22:16
آزمایشگاه رگرسیون لجیستیک
"16:31
کوییز آزمایشگاه لجیستیک
3.9%
     
"02:00
SVM
"16:13
آزمایشگاه SVM
"15:44
کوییز آزمایشگاه SVM
5.9%
     
"03:00
پروژه دسته‌بندی Classification

 (الزامی)

78.4%
     
"300:00
فصل چهارم: خوشه‌بندی Clustering
07:57 ساعت
02:50
Combined Shape Created with Sketch. 15 جلسه
بارم:
23%
نمایش جلسات فصل  

خوشه‌بندی یکی از رایج‌ترین روش‌های یادگیری بدون نظارت است که در آن داده‌ها بر اساس شباهت داده‌ها، دسته‌بندی می‌شوند. در این فصل با جدیدترین و قوی‌ترین الگوریتم‌های این روش نظیر Kmeans، روش سلسله‌مراتبی و روش DBSCAN آشنا شده و مزیت‌ها، نقاط ضعف و قوت و موقعیت‌های استفاده هرکدام را خواهید آموخت. هرکدام از این روش‌ها به تفکیک پیاده‌سازی شده و با نحوه فراخوانی و استفاده آنها آشنا خواهید شد.

مقدمه خوشه‌بندی
"17:00
کوییز مقدمه خوشه‌بندی
4.3%
     
"02:00
روش K-Means
"16:26
نکات K-Means
"08:17
آزمایشگاه K-Means 1
"22:33
آزمایشگاه K-Means 2
"15:39
کوییز آزمایشگاه K-Means
6.4%
     
"03:00
روش سلسله‌مراتبی
"13:21
ادامه روش سلسله‌مراتبی
"09:51
آزمایشگاه روش سلسله‌مراتبی 1
"10:43
آزمایشگاه روش سلسله‌مراتبی 2
"26:33
DBSCAN
"13:44
آزمایشگاه DBSCAN
"16:13
کوییز آزمایشگاه DBSCAN
4.3%
     
"02:00
پروژه خوشه‌بندی Clustering

 (الزامی)

85.1%
     
"300:00
فصل پنجم: سیستم‌های توصیه‌گر Recommender Systems
06:38 ساعت
01:34
Combined Shape Created with Sketch. 8 جلسه
بارم:
24%
نمایش جلسات فصل  

سیستم‌های توصیه دهنده مکانیزم‌هایی‌اند که الگوهای رفتاری هر سیستم را می‌گیرند و از آنها برای پیش‌بینی رفتار سیستم استفاده می‌کنند. در این فصل سراغ این سیستم‌های جذاب رفتیم و کاربرد یادگیری ماشین در این حوزه رو موردمطالعه قرارداده‌ایم. با انواع مختلفی از آن مثل سیستم توصیه گر مبتنی بر محتوا و توصیه گر مبتنی بر همکاری آشنا می‌شوید و پیاده‌سازی هرکدام را آموزش خواهیم داد.

مقدمه سیستم‌های توصیه‌گر
"15:28
سیستم‌های توصیه‌گر مبتنی بر محتوا
"10:07
آزمایشگاه سیستم‌های توصیه‌گر مبتنی بر محتوا
"24:03
کوییز آزمایشگاه سیستم های توصیه‌گر مبتنی بر محتوا
8.3%
     
"02:00
سیستم‌های توصیه‌گر مبتنی بر همکاری
"16:38
آزمایشگاه سیستم‌های توصیه‌گر مبتنی بر همکاری
"28:16
کوییز آزمایشگاه سیستم های توصیه گر مبتنی بر همکاری
8.3%
     
"02:00
پروژه تلفن همراه پیشنهادی

 (الزامی)

83.3%
     
"300:00

تالار گفت‌وگو

استاد دوره
جادی میرمیرانی جادی میرمیرانی

جادی به معنای حقیقی کلمه، یک گیک و یک هکر است، البته منظور از هکر، دزدی پسورد و ایمیل مردم نیست! بلکه به معنی عشق به دانستن و عشق به تحقیق درباره خیلی از چیزهایی هست که می‌بینم و می‌شنویم. جادی بیشتر از ۲۰ سال است که به صورت حرفه‌ای برنامه‌نویسی می‌کند و تجربیات زیادی در این زمینه داره و در شرکت‌های بزرگی مثل نوکیا و مبین‌نت تجربه کاری موفق داشته است. کمتر کسی وجود داره که در زمینه فنی مرتبط با کامپیوتر فعالیت داشته باشد و جادی میرمیرانی را نشناسد.

جادی میرمیرانی فارغ‌التحصیل مهندسی مخابرات از دانشگاه خواجه نصیرالدین طوسی در مقطع کارشناسی و کارشناسی ارشد جامعه‌شناسی از دانشگاه علامه طباطبایی است. تخصص اصلی ایشان، امنیت و شبکه است ولی در زمینه‌های مختلف دیگری از جمله تدریس برنامه‌نویسی پایتون، هک، لینوکس، بلاک‌چین و ساخت پادکست‌های مرتبط با تکنولوژی‌های روز نیز فعالیت بیش از 10 ساله دارد.

اطلاعات بیشتر
درباره گواهینامه
مکتب‌خونه مکتب‌خونه
حد نصاب قبولی در دوره:
70.0 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

پیش‌نیاز‌های دوره آموزش یادگیری ماشین با پایتون

این دوره آموزشی برای کسانی که علاقه­‌مند یادگیری ماشین هستند، مناسب خواهد بود. در کنار این افراد، کسانی که با زبان برنامه‌­نویسی پایتون آشنا هستند نیز می­‌توانند در این دوره آموزشی از مباحث ارائه شده استفاده کنند. برای شرکت در این دوره و استفاده همه جانبه از مباحث ارائه شده آشنایی با زبان برنامه‌­نویسی پایتون لازم به نظر می‌­رسد.

آموزش پایتون مقدماتی
اطلاعات بیشتر

ویژگی‌های دوره آموزش یادگیری ماشین با پایتون

Combined Shape1 Created with Sketch. گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

 

مشاهده نمونه گواهینامه

خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد. 

 

مشاهده اطلاعات بیشتر

نظرات  (11 نظر)

صفحه 

از 

2

امیرحسین
16:56 - 1400/08/04
دانشجوی دوره
عالی با مفاهیم آشنا میشین ولی با مطالب تخصصی مثل گرادیان کاهشی و بهینه سازی الگوریتم و تابع هزینه و... نه توصیه میکنم بعد این دوره برید سراغ اون یکی دوره مکتبخونه تا مطالب تخصصی رو یاد بگیرین
پارسا
12:27 - 1400/08/04
دانشجوی دوره
تسلط و انرژی مدرس عالی ولی دوره بیشتر حالت review داره و روخوانی از روی کدها هستش. منطق مدرس این هستش که دانشجو باید به دنبال دانش باشه و نیازی به توضیح همه چیز نیست من هم موافقم و به نظر برای کسانی که به دنبال یک دوره کامل صفر تا صد تحلیل داده و یادگیری ماشین هستن مناسب نیست. برای کسانی که به مفاهیم ریاضی آشنا هستن دوره مناسبیه ولی برای دوستانی که هیچ پایه ای از آمار و احتمال و همچنین کتابخوانه های تحلیل داده مثل نامپای و پانداز ندارن به نظر مفید نباشه. به نظر بهتر بود در پیش نیازها، دوره یادگیری ماشین اندرو نین گذاشته بشه که در مکتبخونه هم موجود هستش و بعد به تماشای دوره بپردازین چون اندرو با زبان اکتاو تدریس کرده و اگه بخواین به پایتون این مفاهیمو انتقال بدین دوره جادی خیلی میتونه باحال و مفید باشه.
تهمینه
17:55 - 1400/07/28
دانشجوی دوره
جادی مثل همیشه عالی، مفاهیم رو فهمیده یه جوری توضیح میده بقیه هم میفهمن.
علیرضا
23:41 - 1400/07/26
دانشجوی دوره
خیلی دوره خوبی هست . عالی !
سمیه
18:59 - 1400/07/23
دانشجوی دوره
فوق العاده است
یک
18:36 - 1400/07/22
دانشجوی دوره
من دوره رو کامل ندیدم و توی این حوزه هم فعالیت نمیکنم. اما خب مزایای دوره این هست که جادی مدرسش هست و انقدر اموزش های رایگان داره میتونید ببینید با اموزشش هاش ارتباط میگیرید یا نه، جادی قبل اینکه چیزی رو درس بده میره جدا پیگیریش میکنه و یادش میگیره و در کنار این میتونه خیلی خوب توضیح بده. اما بنظرم این دوره قرار نیست شما رو به یک متخصص تبدیل کنه. اگه این دوره رو ببینید میتونید بهترین الگوریتم رو انتخاب کنید و ازش برای چیزی که میخواید استفاده کنید. و بعد دوره، میتونید روی ریاضیات کار کنید و برای خودتون اثبات کنید که الگوریتم دقیقا چطوری به جواب ها میرسه.
مهدی
08:26 - 1400/07/22
دانشجوی دوره
من زیاد اهل اعراق نیستم ولی من اگر جای شما باشم ، تمام دوره های جادی رو تهیه میکنم ، این که بحث تخصصی فعالیت من هستش
عمران
17:09 - 1400/07/21
دانشجوی دوره
جادی طریه تدریسش واقعا عالیه .
امیر مسعود
15:01 - 1400/07/21
دانشجوی دوره
ندیده 5 میدم، اصن کاری به تسلط عجیب غریب جادی به برنامه نویسی و دوره هاشو اینا ندارم، اون درک جامعه شناسیش با میکس علم یه چیز خففنی میشه، پیشنهاد میکنم رادیو گیکو حتما گوش کنین!
امیرعلی
14:14 - 1400/07/21
دانشجوی دوره
سلام این دوره نیاز به‌کامنت نداره چون مدرسش عالی.

سوالات پرتکرار

آیا در صورت خرید دوره، گواهی نامه آن به من تعلق می گیرد؟
خیر؛ شما با خرید دوره می توانید در آن دوره شرکت کنید و به محتوای آن دسترسی خواهید داشت. در صورتی که در زمان تعیین شده دوره را با نمره قبولی بگذرانید، گواهی نامه دوره به نام شما صادر خواهد شد.
حداقل و حداکثر زمانی که می توانم یک دوره را بگذرانم چقدر است؟
برای گذراندن دوره حداقل زمانی وجود ندارد و شما می توانید در هر زمانی که مایل هستید فعالیت های مربوطه را انجام دهید. برای هر دوره یک حداکثر زمان تعیین شده است که در صفحه معرفی دوره می توانید مشاهده کنید که از زمان خرید دوره توسط شما تنها در آن مدت شما از ویژگی های تصحیح پروژه ها توسط پشتیبان و دریافت گواهی نامه بهره مند خواهید بود.
در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟
پس از صدور گواهی نامه، نسخه الکترونیکی گواهی نامه در اختیار شما قرار می گیرد. در صورت درخواست شما، نسخه فیزیکی گواهی نامه نیز می تواند برای شما ارسال شود. هزینه ارسال بر عهده کاربر خواهد بود.
پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: مقدمه یادگیری ماشین با پایتون
00:34 ساعت
00:31
Combined Shape Created with Sketch. 4 جلسه
بارم:
4%
نمایش جلسات فصل  

در این فصل ابتدا با دوره آشنا خواهید شد و یک مقدمه‌ای از یادگیری ماشین با پایتون را خواهید آموخت.

سپس با مفاهیم یادگیری نظارت شده و یادگیری نظارت نشده آشنا خواهید شد و در پایان ارزیابی کوتاهی از آموخته‌های این فصل انجام خواهد شد.

به دوره یادگیری ماشین با پایتون خوش آمدید
"06:30
مقدمه یادگیری ماشین با پایتون
"19:07
یادگیری ماشین بی‌نظارت و با نظارت
"06:16
کوییز مقدمه یادگیری ماشین با پایتون
100.0%
     
"03:00
فصل دوم: رگرسیون Regression
09:00 ساعت
03:55
Combined Shape Created with Sketch. 16 جلسه
بارم:
22%
نمایش جلسات فصل  

رگرسیون در حقیقت خطی نه لزوماً مستقیم است که فاصله آن از تمام نقاط کمترین مقدار باشد. در این فصل ابتدا با مفهوم رگرسیون و سپس با کتابخانه‌های مهم پایتون شامل numpy، pandas و matplotlib آشنا خواهید شد. سپس پیاده‌سازی ساده‌ای از رگرسیون را خواهید آموخت و سپس سراغ مفاهیم پیشرفته‌تری از رگرسیون مثل رگرسیون غیرخطی و رگرسیون چندجمله‌ای می‌رویم و در انتها به پیاده‌سازی این موارد می‌پردازیم.

مقدمه رگرسیون
"16:04
رگرسیون خطی ساده
"15:44
کوییز رگرسیون ساده
6.7%
     
"03:00
ارزیابی مدل
"17:14
نوت‌بوک
"10:49
Numpy
"15:46
Pandas
"21:11
Matplotlib
"17:37
آزمایشگاه رگرسیون ساده
"41:05
رگرسیون چندگانه
"10:26
کوییز رگرسیون چندگانه
4.4%
     
"02:00
آزمایشگاه رگرسیون چندگانه
"10:49
رگرسیون غیر خطی
"10:12
آزمایشگاه چند جمله‌ای
"19:37
آزمایشگاه رگرسیون غیر خطی
"28:33
پروژه رگرسیون Regression

 (الزامی)

88.9%
     
"300:00
فصل سوم: دسته بندی Classification
08:53 ساعت
03:42
Combined Shape Created with Sketch. 19 جلسه
بارم:
25%
نمایش جلسات فصل  

طبقه‌بندی (Classification) یکی از روش‌های یادگیری ماشین است که برای یادگیری چگونگی تخصیص برچسب کلاس به یک نمونه ورودی، استفاده می‌شود. در این فصل به الگوریتم‌های مختلف دسته‌بندی نظیر KNN، درخت تصمیم، رگرسیون خطی و لجستیک در دسته‌بندی و svm پرداخته می‌شود. در انتهای هر مبحث پیاده‌سازی هرکدام از این موارد در پایتون به تفکیک آموزش خواهید دید و خواهید آموخت هرکدام از این الگوریتم‌ها چه نقاط قوت و ضعفی دارند و موقعیت استفاده هرکدام چیست.

مقدمه دسته‌بندی
"17:39
کوییز مقدمه دسته بندی
3.9%
     
"02:00
مقدمه KNN
"16:08
ارزیابی KNN
"25:00
آزمایشگاه KNN
"28:26
کوییز آزمایشگاه KNN
3.9%
     
"02:00
مقدمه درخت تصمیم
"07:02
ریاضیات درخت تصمیم
"12:48
آزمایشگاه درخت تصمیم
"18:39
کوییز آزمایشگاه درخت تصمیم
3.9%
     
"02:00
مقدمه رگرسیون لجیستیک
"12:57