قیمت این دوره: 1,000,000 300,000 تومان
  • مدرس دوره : قائم تقی پور
  • تعداد ویدیوها : 90 ویدیو
  • مدت زمان دوره : 22:37:00
  • سطح دوره : پیشرفته
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1402/09/12
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. آشنایی اولیه با کتابخانه های Pandas, NumPy, Matplotlib
  2. تسلط بر زبان برنامه نویسی پایتون
  3. آشنایی مقدماتی و علاقه مندی به یادگیری ریاضیات و آمار

فهرستـــ ویدیوها

مدت زمان دوره 22:37:00
  • 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

36
  • حل مسائل دسته بندی با الگوریتم درخت تصمیم

00:21:22

حل مسائل دسته بندی با الگوریتم درخت تصمیم

37
  • کار با Scikit-Learn Pipeline

00:22:54

کار با Scikit-Learn Pipeline

38
  • کار با Scikit-Learn Pipeline - جلسه 2

00:16:02

کار با Scikit-Learn Pipeline - جلسه 2

39
  • استفاده از Cross Validation و Grid Search در بهینه سازی مدل های یادگیری ماشین

00:12:10

استفاده از Cross Validation و Grid Search در بهینه سازی مدل های یادگیری ماشین

40
  • پیاده سازی Cross Validation و Grid Search در مدل ماشین لرنینگ

00:14:34

پیاده سازی Cross Validation و Grid Search در مدل های ماشین لرنینگ

41
  • الگوریتم های تقویت گرادیان و LGBM

00:10:23

الگوریتم های تقویت گرادیان و LGBM

42
  • پیاده سازی الگوریتم های تقویت گرادیان و LGBM در پایتون

00:18:12

پیاده سازی الگوریتم های تقویت گرادیان و LGBM

43
  • تنظیم هایپرپارامتر ها در الگوریتم های Classification - جلسه 1

00:13:59

تنظیم هایپرپارامتر ها در الگوریتم های Classification

44
  • تنظیم هایپرپارامتر ها در الگوریتم های Classification - جلسه 2

00:12:16

تنظیم هایپرپارامتر ها در الگوریتم های Classification

45
  • بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization) - جلسه 1

00:15:58

بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization) - جلسه 1

46
  • بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization) - جلسه 2

00:18:54

بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization)

47
  • بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization) - جلسه 3

00:12:23

بهینه سازی مدل با استفاده از الگوریتم بیزی (Bayesian Optimization)

48
  • فصل سوم - یادگیری ماشین بدون نظارت

00:15:55

فصل سوم - Unsupervised Machine Learning

49
  • تحلیل عاملی (Factor Analysis) در روش های آماری

00:14:03

Statistical Factor Models

50
  • تحلیل مؤلفه‌های اصلی با الگوریتم PCA - جلسه 1

00:12:18

Principal Component Analysis

51
  • تحلیل مؤلفه‌های اصلی با الگوریتم PCA - جلسه 2

00:11:54

تحلیل مؤلفه‌های اصلی با الگوریتم PCA

52
  • پیاده سازی الگوریتم PCA - جلسه 1

00:18:39

پیاده سازی الگوریتم PCA

53
  • پیاده سازی الگوریتم PCA - جلسه 2

00:17:34

پیاده سازی الگوریتم PCA

54
  • فصل چهارم - یادگیری تقویتی

00:12:58

فصل چهارم - یادگیری تقویتی

55
  • مولفه های یادگیری تقویتی - جلسه 1

00:09:56

مولفه های یادگیری تقویتی - Time and Dataset

56
  • مولفه های یادگیری تقویتی - جلسه 2

00:20:59

Agent /Env

57
  • مولفه های یادگیری تقویتی - جلسه 3

00:16:18

States, Actions, Rewards, Episode, Space

58
  • مفهوم سیاست (Policy) در یادگیری تقویتی

00:09:19

سیاست (Policy) در یادگیری تقویتی

59
  • فرایندهای تصمیم‌گیری مارکوف (MDPs)

00:11:42

Markov Decision Process (MDP)

60
  • مفهوم Return در یادگیری تقویتی

00:11:21

مفهوم Return در یادگیری تقویتی

61
  • تابع ارزش و معادله ی Bellman

00:15:33

تابع ارزش و معادله ی Bellman

62
  • مفهوم یادگیری در مسائل یادگیری تقویتی

00:15:22

مفهوم یادگیری در مسائل یادگیری تقویتی

63
  • حل معادله ی Bellman - جلسه 1

00:11:49

حل معادله ی Bellman - جلسه 1

64
  • حل معادله ی Bellman - جلسه 2

00:12:18

حل معادله ی Bellman

65
  • مفهوم Epsilon-Greedy

00:08:17

مفهوم Epsilon Greedy

66
  • آشنایی با Temporal Difference و Q-Learning

00:17:59

Temporal Difference و Q-Learning

67
  • توضیح پروژه مبتنی بر یادگیری تقویتی و Q-Learning

00:09:55

توضیح پروژه مبتنی بر یادگیری تقویتی و Q-Learning

68
  • پیاده سازی پروژه Q-Learning - جلسه 1

00:22:34

پیاده سازی پروژه Q-Learning

69
  • پیاده سازی پروژه Q-Learning - جلسه 2

00:22:19

پیاده سازی پروژه Q-Learning - جلسه 2

70
  • پیاده سازی پروژه Q-Learning - جلسه 3

00:15:13

پیاده سازی پروژه Q-Learning

71
  • فصل پنجم - یادگیری عمیق و شبکه های عصبی مصنوعی

00:10:17

فصل پنجم - یادگیری عمیق و شبکه های عصبی مصنوعی

72
  • مروری بر کاربردهای یادگیری عمیق

00:18:08

مروری بر کاربردهای یادگیری عمیق

73
  • مفهوم شبکه ی عصبی در یادگیری عمیق

00:14:35

مفهوم شبکه ی عصبی

74
  • شبکه های عصبی Feed Forward

00:08:30

شبکه های عصبی Feed Forward یا رو به جلو

75
  • تکنیک کاهش گرادیان در حل مسائل یادگیری عمیق

00:09:35

تکنیک کاهش گرادیان در حل مسائل یادگیری عمیق

76
  • شبکه های عصبی پس انتشار

00:11:51

Backpropagation

77
  • تابع ضرر در شبکه های عصبی

00:06:22

loss function

78
  • هایپرپارامترها در ساختار شبکه های عصبی

00:15:06

هایپرپارامترها در ساختار شبکه های عصبی

79
  • آماده سازی داده ها

00:17:24

آماده سازی داده ها

80
  • تعریف شبکه عصبی و لایه های مدل در کد

00:21:10

تعریف شبکه عصبی

81
  • مصور سازی مدل شبکه عصبی

00:10:37

مصور سازی مدل شبکه عصبی

82
  • آموزش مدل و ارزیابی عملکرد شبکه عصبی

00:12:39

آموزش مدل و ارزیابی عملکرد شبکه عصبی

83
  • تنظیم هایپرپارامترهای مدل یادگیری عمیق

00:28:55

تنظیم هایپرپارامترهای مدل یادگیری عمیق

84
  • خروجی گرفتن از مدل شبکه عصبی

00:14:58

خروجی گرفتن از مدل شبکه عصبی

85
  • آشنایی با شبکه های عصبی RNN و LSTM

00:10:00

آشنایی با شبکه های عصبی RNN و LSTM

86
  • پروژه LSTM - جلسه 1

00:19:09

پروژه LSTM

87
  • پروژه LSTM - جلسه 2

00:20:13

پروژه LSTM

88
  • پروژه LSTM - جلسه 3

00:14:52

پروژه LSTM

89
  • پروژه الگوریتم RNN - جلسه 1

00:13:31

پروژه الگوریتم RNN

90
  • پروژه الگوریتم RNN - جلسه 2

00:13:50

پروژه الگوریتم RNN

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 .