قیمت این دوره : 200,000 140,000 تومان
  • مدرس دوره : علی عوض زاده ( رزومه )
  • تعداد دانشجویان این دوره : 102 نفر
  • 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
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

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.

فهرستـــ ویدیوها

مدت زمان دوره 17:57:00
در صورتیکه ویدئو نمایش داده نشد آن را دانلود کنید و با KmPlayer مشاهده کنید.
راهنما ! جهت دریافت لینک دانلود تمامی قسمت ها بر روی این لینک .کلیک کنید.
لطفا در در صورت اقدام به دانلود تا انتها فرایند دانلود ، این صفحه را باز نگاه دارید.
1
  • معرفی دوره

  • 00:12:00
  • رایگانــ

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

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

  • 00:27:00
  • رایگانــ

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

3
  • تعاریف و مفاهیم(داده کاوی)

  • 00:27:00
  • رایگانــ

داده کاوی-کاربرد ها- الگوریتم ها و روش ها

4
  • کتابخانه numpy (قسمت اول)

  • 00:58:00
  • رایگانــ

ماتریس -نمایه سازی ، برش و تکرار
      آرایه های شاخص
 

5
  • کتابخانه numpy(قسمت دوم)

  • 01:01:00
  • نقدیــ

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

6
  • مصور سازی با کتابخانه matplotlib (قسمت اول)

  • 00:31:00
  • نقدیــ

Plot-subplot-figur-lable-legend

Sin – cos-line

7
  • مصور سازی با کتابخانه matplotlib (قسمت دوم)

  • 00:37:00
  • نقدیــ

Savefi-xlim-ylim-style-

8
  • مصور سازی با کتابخانه matplotlib و seboarn

  • 00:44:00
  • نقدیــ

Imagefunction- textfunction-seboarn-legendguide

9
  • کتابخانه pandas (درس اول)

  • 00:27:00
  • نقدیــ

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

10
  • کتابخانه pandas (درس دوم)

  • 00:25:00
  • نقدیــ

مشاهده داده ها-جزئبات آماری -آراستگی -تبدیل

11
  • کتابخانه pandas (درس سوم)

  • 00:28:00
  • نقدیــ

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

12
  • کتابخانه pandas (درس چهارم)

  • 00:26:00
  • نقدیــ

تجسم – ارزش شاخص-تکرار سطر وستون – گروه بندی

13
  • کتابخانه pandas (درس پنجم)

  • 00:48:00
  • نقدیــ

Assign-truncate-replace-fillna-notfill

14
  • کتابخانه pandas (درس ششم)

  • 00:28:00
  • نقدیــ

ادغام -پیوستن-جمع کردن-اضافه-اتصال

15
  • کتابخانه pandas (درس هفتم)

  • 00:28:00
  • نقدیــ

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

16
  • فصل دوم (سیستم توصیه گر)

  • 00:48:00
  • نقدیــ

الگوریتم فاصله منهتن-اقلیدسی -مینوکسفکی-عمومی سازی

17
  • سیستم های توصیه گر

  • 00:33:00
  • نقدیــ

ضریب همبستگی پیرسون-شباهت کسینوسی- کد پایتون-

18
  • سیستم های توصیه گر 2

  • 00:23:00
  • نقدیــ

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

19
  • پايش بر اساس اقلام

  • 00:25:00
  • نقدیــ

امتیازدهیِ صریح- امتیازدهی ضمنی- شباهت کسینوسیِ تعدیل شده

20
  • پايش بر اساس اقلام (قسمت دوم)

  • 00:21:00
  • نقدیــ

پیش گویی- نرمال سازی- غیر نرمال سازی-

21
  • پايش بر اساس اقلام(الگوریتم شیبِ یک)

  • 00:21:00
  • نقدیــ

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

پیش بینی

22
  • طبقه بندي(رگرسیون خطی)

  • 00:38:00
  • نقدیــ

Content Based Filtering & Classification

رگرسیون

نمونه های آموزشی- نمونه های تست

23
  • رگرسیون خطی چندگانه- الگوریتم گرادیان کاهشی

  • 00:38:00
  • نقدیــ

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

24
  • الگوریتم درخت تصمیم

  • 00:47:00
  • نقدیــ

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

25
  • الگوریتمِ جنگلِ تصادفی(Random Forest )

  • 00:40:00
  • نقدیــ

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

26
  • رگرسیون لجستیک(قسمت اول)

  • 00:34:00
  • نقدیــ

حد استانه-نرمال سازی

فرضیه احتمال

رگرسیون خطی در مقابل رگرسیون لجستیک

27
  • رگرسیون لجستیک (قسمت دوم)

  • 00:32:00
  • نقدیــ

رگرسیون لجستیک با تایع هزینه رگرسیون خطی-تابع هزینه

کلاس بندی با چند کلاس

28
  • ماشین بردار پشتیبان(قسمت اول)

  • 00:28:00
  • نقدیــ

بردار پشتیبان-حاشیه -پارامتر -کمینه

29
  • ماشین بردار پشتیبان (کرنل)

  • 00:28:00
  • نقدیــ

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

30
  • دیگر الگوریتم های طبقه بندی

  • 00:44:00
  • نقدیــ

ماتریس اغتشاش-آمارِ کاپا-تفسیر عددِ کاپا

31
  • خوشه بندی(الگوریتم (k-means

  • 00:42:00
  • نقدیــ

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

32
  • الگوریتم (PCA) (جلسه اخر)

  • 00:28:00
  • نقدیــ

کاهش بعد -مولفه های اصلی-خطا

33
  • فایل های دوره

  • 00:00:00
  • نقدیــ

تمرین ها -powerpoint- pdf-

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

  • 00:00:00
  • نقدیــ

تمرین تقویتی- pandas- numpy - matplot

نظرات کاربران در رابطه با این دوره

جهت ثبت نظر باید در سایت عضو شوید و یا وارد سایت شده باشید .