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 محتوای دوره
389,000 تومان
امکان پرداخت ارزی ‎
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
539,000 تومان
امکان پرداخت ارزی ‎
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
96٪ (6711 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 سیستم توصیه‌گر وبسایت IMDB

 (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  (66 نظر)

صفحه 

از 

7

سیدمحمدهادی
08:41 - 1401/11/09
دانشجوی دوره
دوره‌ی بسیار خوبی برای شروع یادگیری ماشین هست. همونطور هم که جادی خودش در طی دوره بارها میگه، فقط سعی شده مخاطب رو با یکسری روش‌های شناخته شده تو هر مبحث، آشنا کنه و بعد فرمون رو بده دست خود دانشجو. پروژه‌ها میتونست یه مقدار شفاف‌تر و چلنجینگ ‌تر باشه؛ مثلا در بحث خوشه بندی، مسئله از ما بخواد که به هر ۳ روش، داده ها رو به یک تعداد خوشه‌بندی کنیم و بررسی کنیم تفاوت خوشه بندی از نظر تعداد و اعضا به چه شکله.
محمد مهدی
23:14 - 1401/11/04
دانشجوی دوره
واقعن بدون اغراق میگم خیلی دوره خوبی بود مهم این نیست کلی فرمول چرت و پرت رو توضیح بدی مهم اینه که سخت ترین چیزا رو به ساده ترین روش ممکن اموزش بدی تا شاگرد یاد بگیره و جادی بهترین اموزش دهنده ست مرسی
الهام
09:28 - 1401/10/09
دانشجوی دوره
شخصاً بر این باورم که دوره به غایت خوب و راضی کننده است. شاید بعضیا بگن این که کدها فقط بررسی شده و خط به خط نوشته نشده بده. توی دوره ی متلب استاد کلامی کدها تقریباً خط به خط نوشته میشه... مباحث ریاضیاتی هم با جزئیات گفته میشه... اما واقعاً خیلی طولانی و پیچیده میشه تدریس و یادگیری به اون شکل. من شخصاً سبک جادی رو ترجیح میدم. توی هر بخش هر چی که لازمه تشریح شده و مسیر کسب اطلاعات بیشتر هم مشخصاً نشون داده شده.
زینب
13:56 - 1401/08/27
دانشجوی دوره
خیلی خلاصه و مفید و عالی بود. من لذت بردم. ضمن اینکه من قبلا خودم مطالعاتی در این زمینه داشتم ولی دوره بسیار خلاصه و در عین حال مفید بود. به امید ازادی جادی عزیز
مهسا
11:37 - 1401/08/17
فارغ‌التحصیل دوره
عالی بود
وحیده
12:43 - 1401/08/09
فارغ‌التحصیل دوره
با سلام و خدا قوت به مکتب خونه ای های عزیز و تیم پشتیبانی این دوره، برای شروع مباحث یادگیری ماشین، دوره خوبی بود تدریس آقای جادی بسیار روان و قابل فهم بود و با انرژی بسیار بالا سعی در انتقال مطالب به مخاطب را داشتند، خیلی ممنونم از ایشان. اما بهتر بود مطالب دوره با یک مقدمات و نظم بیشتری ارائه میشد و کامنت های کوتاهی رو بعد از ارائه پروژه داشتیم. دوستانی که در رابطه با پشتیبان ها نظراتی داده اند، لازم است این مطلب رو عرض کنم که مبلغی که بابت این دوره پرداخت میشه در مقایسه با خیلی از دوره های موجود، کمتر هست و خدماتی که عرضه میشه به نسبت هزینه ای هست که میکنیم.
احمد
13:05 - 1401/08/03
فارغ‌التحصیل دوره
ممنون از جادی به خاطر تدریس این دوره. به نظرم starter خوبی بود برای افرادی که تازه میخوان شروع کنند. جادی سعی کرد مفاهیم رو به دور از ریاضیات عمیق و پیچیدگی هاش بیان کنه. به نظرم این دوره به درد افرادی که قبلا برنامه نویسی نداشته اند نمی خوره. البته دوره کامل نبود و خیلی موضوعات دیگه ماشین لرنینگ داخلش گفته نشده بود با این وجود به نظرم برای شروع دوره خوبی هستش و بقیه اش به خود دانشجو بستگی داره. منتور ها هم خیلی خوب و سریع تصحیح می کردن و پشتیبانی خوبی داشتند.
سیدرضا
01:35 - 1401/08/02
دانشجوی دوره
اول از همه سواد بسیار بالای ایشون و انتقال شیوای علمشون به بقیه و دوم روحیه پرانرژی و مثبتشون باعث شده هر دوره ای که میذارن مورد استقبال بالایی قرار بگیره. تدریس و اخلاقشون شاهکاره و هر دوره ای که گذاشتن من تهیه کردم و همچنان پیش میرم.
فاطمه
12:41 - 1401/07/23
فارغ‌التحصیل دوره
اولین دوره ای بود که از جادی دیدم، می شه گفت 80 درصد راضی ام چون نحوه تدریس طوری بود که همیشه یه کنجکاوی رو به دانشجو منتقل می کرد و اینطور هم نبود که خیلی به ریاضیات پشت قضیه پرداخته بشه، صرفا تا حدی که نیاز بود مطرح می شد. این که هر متد رو در یه بخش توضیح می داد و تو بخش بعدی LAB رو انجام می داد جذاب بود و پروژه اخر فصل ها هم مفید بود ولی متاسفانه کامنتی از سمت مصحح دریافت نمی شد. در کل برای شروع خوبه ولی اگر خودتون تا حد زیادی آشنایی دارید شاید دوره های دیگه بیشتر بتونه کمک کننده باشه.
حديث
10:03 - 1401/07/16
دانشجوی دوره
علیرغم محتوای عالی درس و بیان بسیار خوب مدرس اصلی دوره، راهنمایان دوره دانش کافی جهت راهنمایی و حل مشکلات رو ندارن و به صراحت بیان می‌کنن که اطلاع ندارن و کاری نمی‌تونن بکنن. با توجه به این که مکتبخونه به عنوان یکی از ویژگی‌های دوره‌هاش روی وجود ارتباط آنلاین و پاسخ به سؤالات و راهنمایی کاربران ، تأکید می‌کنه به نظر میاد در عمل اصلا این مورد محقق نمی‌شه و دانشجوها باید به تنهایی باید از پس پاسخ سؤالات و مشکلاتشون بربیان.
پشتیبانی مکتب‌خونه
همراه عزیز؛ از اینکه نظر خود را با ما در میان گذاشتید صمیمانه سپاسگزاریم. لطفا در صورت امکان با ارسال جزییات بیشتر ما را در ارتقا سطح کیفی خدمات یاری رسانید. info@maktabkhooneh.org

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؟
خیر، به دلیل مسائل زیست محیطی و کاهش قطع درختان، فقط نسخه الکترونیکی گواهی‌نامه در اختیار شما قرار می‌گیرد
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
رگرسیون لجیستیک و خطی
"13:23
آموزش رگرسیون لجیستیک
"22:16