آموزش زبان برنامه نویسی پایتون

دوره حضوری و آنلاین آموزش برنامه نویسی پایتون

پایتون یکی از زبان های چند منظوره ،  شی گرا و سطح بالا می باشد که کاربرد بسیار زیادی دارد و همچنین از محبوبیت فوق العاده ای برخوردار است .

ساده بودن پایتون برای یادگیری و  محاسبه معادلات پیچیده و تحلیل های داده ، از دلایل جذابیت بالای این زبان میباشد .

در طول این دوره به مفاهیم پایه و اساسی این زبان قدرتمند تسلط پیدا خواهید کرد .

پس وقت رو از دست نده...

قیمت این دوره: 200,000 60,000 تومان
  • مدرس دوره : علی عوض زاده
  • تعداد ویدیوها : 34 ویدیو
  • مدت زمان دوره : 17:57:00
  • سطح دوره : متوسط
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1399/03/25
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش یادگیری ماشین و داده کاوی با پایتون

آموزش یادگیری ماشین و داده کاوی با پایتون

تو این دوره اموزشی ما قصد داریم هم به یادگیری ماشین بپردازیم و الگوریتم های مهمی رو که بیشتر ازشون استفاده می شه برای شما ارائه و برای هر الگوریتم یک یا دو مثال  دنیای واقعی را با کتابخانه های پایتون   و دیتا ست های معروف انجام خواهیم داد و همچنین نحوه تحلیل داده و استخراج داده رو هم برای شما ارائه خواهیم داده .

الگوریتم های مهم این دوره

الگوریتم گرادیان کاهشی – رگرسیون خطی – رگرسیون لجستیک – درخت تصمیم – جنگل تصادفی – k  نزدیک ترین همسایه – ماشین بردار پشتیبان – بیز ساده- کاهش ابعاد- الگوریتم kmeansو.شباهت کسینوسی – ضریب پیرسون – کسینوس تعدیل شده

 

کتابخانه های تدریس شده

Numpy -matplotlib-seboarn-pandas- sklearn

انواع یادگیری: یادگیری نظارت شده-یادگیری بدون نظارت

 

پیشنیاز دوره : پایتون-ریاضیات- امار و احتمالات- مفاهیم هوش مصنوعی




فهرستـــ ویدیوها

مدت زمان دوره 17:57:00
  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1
  • معرفی دوره

00:12:00

نعریف دوره -پیش نیاز ها- تعداد فصول -خروجی دوره

2
  • تعاریف و مفاهیم(هوش مصنوعی و یادگیری ماشین)

00:27:00

هوش مصنوعی-یادگیری ماشین-یادگیری نظارت شده-بدون نظارت-تقویتی

3
  • تعاریف و مفاهیم(داده کاوی)

00:27:00

داده کاوی-کاربرد ها- الگوریتم ها و روش ها

4
  • کتابخانه numpy (قسمت اول)

00:58:00

ماتریس -نمایه سازی ، برش و تکرار
      آرایه های شاخص
 

5
  • کتابخانه numpy(قسمت دوم)

01:01:00

گردش درآرایه-تغییر شکل یک آرایه
توابع-تقسیم یک آرایه 
 

6
  • مصور سازی با کتابخانه matplotlib (قسمت اول)

00:31:00

Plot-subplot-figur-lable-legend

Sin – cos-line

7
  • مصور سازی با کتابخانه matplotlib (قسمت دوم)

00:37:00

Savefi-xlim-ylim-style-

8
  • مصور سازی با کتابخانه matplotlib و seboarn

00:44:00

Imagefunction- textfunction-seboarn-legendguide

9
  • کتابخانه pandas (درس اول)

00:27:00

ایجاد اشیاء-سختار داده ای دوبعدی-ساختار داده ای تک بعدی-

10
  • کتابخانه pandas (درس دوم)

00:25:00

مشاهده داده ها-جزئبات آماری -آراستگی -تبدیل

11
  • کتابخانه pandas (درس سوم)

00:28:00

انتخاب -تحوه انتخاب -نمایه سازی – جزئیات ردیف ها-تنکنیک ها

12
  • کتابخانه pandas (درس چهارم)

00:26:00

تجسم – ارزش شاخص-تکرار سطر وستون – گروه بندی

13
  • کتابخانه pandas (درس پنجم)

00:48:00

Assign-truncate-replace-fillna-notfill

14
  • کتابخانه pandas (درس ششم)

00:28:00

ادغام -پیوستن-جمع کردن-اضافه-اتصال

15
  • کتابخانه pandas (درس هفتم)

00:28:00

کار با تاریخ و زمان-کار با داده های متنی -فایل اکسل – شیت ها

16
  • فصل دوم (سیستم توصیه گر)

00:48:00

الگوریتم فاصله منهتن-اقلیدسی -مینوکسفکی-عمومی سازی

17
  • سیستم های توصیه گر

00:33:00

ضریب همبستگی پیرسون-شباهت کسینوسی- کد پایتون-

18
  • سیستم های توصیه گر 2

00:23:00

فاصه منهتن- K نزدیک ترین همسایه- شناساییِ پیشنهادهای مناسب- پایشِ مشارکتی

19
  • پايش بر اساس اقلام

00:25:00

امتیازدهیِ صریح- امتیازدهی ضمنی- شباهت کسینوسیِ تعدیل شده

20
  • پايش بر اساس اقلام (قسمت دوم)

00:21:00

پیش گویی- نرمال سازی- غیر نرمال سازی-

21
  • پايش بر اساس اقلام(الگوریتم شیبِ یک)

00:21:00

الگوریتم شیبِ یک- الگوریتمِ شیبِ یکِ وزن دار- محاسبه ی انحراف

پیش بینی

22
  • طبقه بندي(رگرسیون خطی)

00:38:00

Content Based Filtering & Classification

رگرسیون

نمونه های آموزشی- نمونه های تست

23
  • رگرسیون خطی چندگانه- الگوریتم گرادیان کاهشی

00:38:00

رگرسیون خطی چندگانه- الگوریتم گرادیان کاهشی- شیب خط-پارامترها-هایپرپارامتر

24
  • الگوریتم درخت تصمیم

00:47:00

درخت تصمیم-زیر درخت سمت چپ- زیر درخت سمت راست-تقسیم بندی

25
  • الگوریتمِ جنگلِ تصادفی(Random Forest )

00:40:00

طبقه بندي- یادگیری ماشین نظارت شده- کیسه‌گذاری- تعداد پردازنده

26
  • رگرسیون لجستیک(قسمت اول)

00:34:00

حد استانه-نرمال سازی

فرضیه احتمال

رگرسیون خطی در مقابل رگرسیون لجستیک

27
  • رگرسیون لجستیک (قسمت دوم)

00:32:00

رگرسیون لجستیک با تایع هزینه رگرسیون خطی-تابع هزینه

کلاس بندی با چند کلاس

28
  • ماشین بردار پشتیبان(قسمت اول)

00:28:00

بردار پشتیبان-حاشیه -پارامتر -کمینه

29
  • ماشین بردار پشتیبان (کرنل)

00:28:00

داده های تفکیک نا پذیر-ترفند کرنل-تابع گوسی-تابع شعاعی

30
  • دیگر الگوریتم های طبقه بندی

00:44:00

ماتریس اغتشاش-آمارِ کاپا-تفسیر عددِ کاپا

31
  • خوشه بندی(الگوریتم (k-means

00:42:00

خوشه بندی سلسله مراتبی-Complete-linkage-Single-linkage

32
  • الگوریتم (PCA) (جلسه اخر)

00:28:00

کاهش بعد -مولفه های اصلی-خطا

33
  • فایل های دوره

00:00:00

تمرین ها -powerpoint- pdf-

34
  • حل 250مسئله (pandas+numpy+ matplotlib)

00:00:00

تمرین تقویتی- pandas- numpy - matplot

دوره های دیگر مدرس

مشاهده همه دوره ها

نظرات کاربران در رابطه با این دوره

لطفا سوالات خود را راجع به این آموزش در این بخش پرسش و پاسخ مطرح کنید به سوالات در قسمت نظرات پاسخ داده نخواهد شد و آن نظر حذف میشود.
جهت ثبت نظر باید در سایت عضو شوید و یا وارد سایت شده باشید .