قیمت این دوره: 1,000,000 400,000 تومان
  • مدرس دوره : قائم تقی پور
  • تعداد ویدیوها : 35 ویدیو
  • مدت زمان دوره : 9:2:00
  • سطح دوره : پیشرفته
  • وضعیت دوره : در حال برگزاری
  • تاریخ آخرین بروزرسانی : 1402/07/06
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش جامع یادگیری ماشین و زیرشاخه ها در پایتون (با رویکرد مالی)

آموزش جامع یادگیری ماشین و زیرشاخه ها در پایتون (با رویکرد مالی)

توسعه هوش مصنوعی و گسترش کاربرد های آن، دانشجویان علاقه مند را دچار سردرگمی در انتخاب شاخه مناسب برای فعالیت در این حوزه و مسیر شروع یادگیری مباحث AI نموده است.

 یکی از شاخه های پرکاربرد در هوش مصنوعی در سال های اخیر، استفاده از الگوریتم های مبتنی بر هوش مصنوعی شاملِ یادگیری ماشین و زیرمجموعه های آن، مانند یادگیری عمیق و یادگیری تقویتی، در حوزه مالی بوده است. به همین علت، یکی از راه های مناسب برای ورودی به دنیای هوش مصنوعی و یادگیری این مباحث، استفاده از مسیر پیاده سازی پروژه های مالی است.

 سادگی درک مفاهیم مالی می تواند موجب تسریع در روند یادگیری مطالب مرتبط با هوش مصنوعی، با استفاده از پروژه های کاربردی گردد. به این ترتیب، علاوه بر کسب مهارت در پیاده سازی الگوریتم ها درجهت کاربرد های مالی، با یادگیری مباحث مهم هوش مصنوعی، امکان ورود سریع تر به دیگر حوزه های هوش مصنوعی نیز میسر می گردد.

در این دوره، در فصل اول کار با داده های مورد استفاده در پروژه ها آموزش داده می شود و در فصل دوم مباحث مرتبط با یادگیری نظارت شده (Supervised learning) شامل الگوریتم های مختلف رگرسیونی و دسته بندی و همچنین روش های مختلف بهینه سازی الگوریتم ها و انتخاب Hyperparameter های مناسب بررسی شده، و در فصل سوم به یادگیری بدون نظارت (Unsupervised learning) و الگوریتم های مربوطه پرداخته می شود . فصل چهارم شامل مباحث مرتبط با یادگیری تقویتی (Reinforcement Learning و Q-Learning ) بوده و در نهایت، در فصل پنجم به مباحث یادگیری عمیق (Deep Learning) و شبکه های عصبی مصنوعی (Artificial Neural Networks) می پردازیم. در این دوره، مباحث مذکور در قالب فصل های جداگانه و از سطح مقدماتی تا پیشرفته مورد بررسی قرارگرفته و پروژه های متعددی از هرکدام پیاده سازی خواهد شد.

جهت کسب اطلاعات بیشتر در رابطه با این دوره، لطفا جلسه ی معرفی دوره را مشاهده نمایید.

 

سرفصل های دوره:

1) مفاهیم مقدماتی و شروع کار با داده ها

2) یادگیری ماشین نظارت شده (Supervised Learning)

3) یادگیری بدون نظارت (Unsupervised Learning)

4) یادگیری تقویتی (Reinforcement Learning)

5) یادگیری عمیق (Deep Learning) و شبکه های عصبی مصنوعی (ANN)



پیش نیاز های دوره :

  1. تسلط بر زبان برنامه نویسی پایتون
  2. آشنایی مقدماتی و علاقه مندی به یادگیری ریاضیات و آمار
  3. آشنایی اولیه با کتابخانه های Pandas, NumPy, Matplotlib

فهرستـــ ویدیوها

مدت زمان دوره 9:2:00
  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1
  • معرفی دوره

00:14:50

معرفی دوره

2
  • نگاهی به نقشه راه دوره

00:09:13

نگاهی به نقشه راه دوره

3
  • فصل اول - کار با داده ها

00:05:33

فصل 1 - کار با داده ها

4
  • آشنایی با محیط برنامه نویسی

00:15:36

آشنایی با محیط برنامه نویسی

5
  • دریافت داده ها - 1

00:21:18

دریافت داده ها - 1

6
  • دریافت داده ها - 2

00:11:20

دریافت داده ها - 2 Pandas Data Reader

7
  • دریافت داده ها - 3 (بازار سهام)

00:16:28

دریافت داده ها - 3 (بازار سهام)

8
  • تجزیه و تحلیل داده های سری زمانی

00:22:26

تجزیه و تحلیل داده های سری زمانی

9
  • نگاهی بر مفهوم EDA

00:11:51

Exploratory data analysis

10
  • کار با Feature های دیتاست

00:10:06

کار با Feature های دیتاست

11
  • آشنایی با پیش پردازش داده ها

00:28:33

آشنایی با پیش پردازش داده ها

12
  • آشنایی با انواع مختلف بازده

00:20:00

انواع بازده

13
  • محاسبه انواع بازده در پایتون

00:32:21

محاسبه بازده در کد

14
  • توضیحاتی در رابطه با آماده سازی داده ها برای مدل های یادگیری ماشین

00:10:56

توضیحاتی در رابطه با آماده سازی داده ها برای ورود به مدل های یادگیری ماشین

15
  • فصل دوم - یادگیری ماشین نظارت شده

00:19:08

فصل دوم - یادگیری ماشین نظارت شده

16
  • یادگیری نظارت شده (Supervised Learning) و کاربردها

00:16:05

یادگیری نظارت شده (Supervised Learning) و کاربردها

17
  • آشنایی با برخی الگوریتم های یادگیری ماشین و نصب پیش نیازها

00:16:12

آشنایی با الگوریتم های یادگیری ماشین و نصب ابزارهای مربوطه و پیش نیازها

18
  • پیش پردازش داده ها برای استفاده در مدل های ماشین لرنینگ

00:30:51

پیش پردازش داده ها برای استفاده در مدل های ماشین لرنینگ

19
  • آشنایی با مفهوم train و تقسیم بندی داده ها در پایتون

00:21:41

آشنایی با مفهوم train و تقسیم بندی داده ها

20
  • داده های مفقود شده

00:22:04

داده های مفقود شده

21
  • الگوریتم رگرسیون خطی

00:13:46

الگوریتم رگرسیون خطی

22
  • پارامترهای ارزیابی مدل

00:09:54

پارامتر های ارزیابی

23
  • پیاده سازی الگوریتم رگرسیون خطی

00:21:12

پیاده سازی الگوریتم رگرسیون خطی

24
  • آشنایی با P-Value و VIF

00:15:23

آشنایی با P-Value و VIF

25
  • هایپرپارامترها و بهینه سازی مدل

00:13:16

هایپرپارامترها و بهینه سازی مدل

26
  • الگوریتم درخت تصمیم

00:14:57

الگوریتم درخت تصمیم

27
  • هایپرپارامترهای الگوریتم های مبتنی بر درخت

00:07:45

هایپرپارامترهای الگوریتم های مبتنی بر درخت تصمیم

28
  • پیاده سازی الگوریتم درخت تصمیم

00:09:28

یک مثال از الگوریتم درخت تصمیم

29
  • مشاهده تاثیر عمق مدل بر عملکرد درخت تصمیم

00:12:09

تاثیر عمق مدل بر عملکرد درخت تصمیم

30
  • مفهوم Feature Importance

00:11:06

مفهوم Feature Importance

31
  • استخراج میزان اهمیت ورودی های مدل در پایتون

00:15:10

استخراج میزان اهمیت ورودی های مدل در پایتون

32
  • الگوریتم جنگل تصادفی

00:06:56

الگوریتم جنگل تصادفی

33
  • پیاده سازی الگوریتم Random Forest

00:09:31

پیاده سازی الگوریتم رگرسیون Random Forest

34
  • الگوریتم رگرسیون XGBoost

00:06:36

الگوریتم رگرسیون XGBoost

35
  • کار با داده های Categorical در مسائل دسته بندی

00:19:09

کار با داده های Categorical در مسائل دسته بندی

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 .