- مدرس دوره : امیرحسین ساوه دربندسری ( رزومه )
- تعداد ویدیوها : 48 ویدیو
- مدت زمان دوره : 12:26:00
- سطح دوره : متوسط
- وضعیت دوره : در حال برگزاری
- تاریخ آخرین بروزرسانی : 1402/07/06

آموزش مدلسازی پایه و ماشین لرنینگ با پایتون
سلام دوستان
دوره آموزش مدل سازی پایه و ماشین لرنینگ، یک دوره آموزشی جامع است که به شما کمک می کند تا با اصول و روش های مدل سازی پایه و مفاهیم اساسی ماشین لرنینگ آشنا شوید. در این دوره، شما با الگوریتم های مختلف مانند رگرسیون خطی، رگرسیون لجستیک، درخت تصمیم و الگوریتم های ذکر شده در سرفصل ها آشنا میشود.
با پایان این دوره، شما قادر خواهید بود تا به صورت حرفه ای و با استفاده از الگوریتم های مناسب، مسائل پیچیده را حل کنید.
توجه کنید که سرفصل های ذکر شده کلی میباشید در هر قسمت و هر سرفصل ما پروژه عملی و کاربردی و تکنیک های کد زنی داریم.
سرفصل های دوره :
فصل اول ) پیش پردازش دادهها |
۱.۱) مباحث تکمیلی pandas و numpy |
۱.۲) آشنایی با کتابخانههای مرتبط(scikit-learn) |
۱.۳) پردازش داده |
۱.۴) ارتباط داده همبستگی میان آنها |
فصل دوم) الگوریتم های طبقه بندی و رگرسیون |
۲.۰) آشنایی و مقدمات طبقه بندی |
۲.۱) معرفی الگوریتم svm و استفاده از آن |
۲.۲) آموزش معیار های مختلف ارزیابی |
۲.۳) معرفی و الگوریتم nkn و استفاده از آن |
۲.۴) الگوریتم درخت تصمیم |
۲.۵) مفاهیم ریاضی در طبقه بندی ( variance, bias , …) |
۲.۶) الگوریتم random forest |
۲.۷) الگوریتم AdaBoost |
۲.۸) fine tune کردن الگوریتم ها با نگاه دقیق به پارامتر هایش |
۲.۹) پردازش متن و زبان طبیغی NLP |
۲.۱۰) آشنایی و مقدمات رگرسیون |
۲.۱۱ ) الگوریتم های XG boost |
۲.۱۲) الگوریتم cat boost |
۲.۱۳) خلاصه فصل و جمع بندی |
فصل سوم) الگوریتم های خوشه بندی |
۳.۱) آشنایی با clustering |
۳.۲) الگوریتم Kmeans |
۳.۲) اگوریتم DBSCAN |
۳.۳) تکنیک RFM |
۳.۴)بررسی ریاضیات الگوریتمها و روش کار آنها |
۳.۵)متن کاوی و خوشه بندی در متن |
۳.۵) Outer detection تشخیص دادههای نویز |
۳.۵) خلاصه فصل و جمع بندی |
فصل چهارم) تکنیک های ماشین لرنینگ |
۴.۱)کاهش اابعاد |
۴.۲)الگوریتم PCA و KERNEL PCA برای کاهش ابعاد |
۴.۴) الگوریتم Factor Analysis |
۴.۵) الگوریتم های پیشرفتهتر |
۴.۶) دادههای غیر متوازن و کارکردن با آنها |
فصل پنچم) مباحث تکمیلی |
۵.۱) طبقه بندی تصویر |
۵.۲) طبقه بندی سری های زمانی |
۵.۳ الگوریتم های پیشرفتهتر |
پیش نیاز های دوره :
- زبان برنامه نویسی پایتون
- دوره مبانی و مقدمات هوش مصنوعی
فهرستـــ ویدیوها
مدت زمان دوره 12:26:00با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.
مباحث پیشرفته تر pandas و numpy بخش اول
مباحث بیشتر و پیشرفته تری رو که از دوره مبانی هوش مصنوعی باقی مونده است رو با هم ادامه میدیم و تکمیل میکنیم
مباحث پیشرفته تر pandas و numpy بخش دوم
بخش دوم مباحث رو در این قسمت پیش می بریم البته میریم سراغ یک دیتاست خیلی خیلی معروف
مباحث پیشرفته تر pandas و numpy بخش سوم
میریم دیتاست رو کامل زیر رو میکنیم یه مقدار با دیتاماینینگ آشنا میشم البته که از توابع مختلفی که به کارمون میاد برای کار با دیتا هم آشنا میشیم
اشنایی با مفهوم پیش پردازش داده و کتابخونه sklearn
اول از همه میریم سراغ چرایی و چ طوری پیش پردازش داده و اشنایی اولیه با sklearn
مفاهیم پیش پردازش داده ها بخش دوم
بریم سراغ این که مفاهیمی که یاد گرفتیم رو به صورت کد یادبگیریم
مفاهیم پیش پردازش داده ها بخش چهارم
عمیق تر و پیشرفته تر مفاهیم پیش پردازش رو در قالب کد دنبال میکنیم
مفاهیم پیش پردازش داده ها بخش آخر
اخرین بخش از یکی از مفاهیم خیلی مهم در فرایند یادگیری ماشینی
مفاهیم همبستگی میان داده ها بخش اول
اول از همه میریم سراغ فهم همبستگی میان داده ها روش هاش و ریاضیاتش
مفاهیم همبستگی میان داده ها بخش دوم | کار با داده های بیماران قلبی
این دقعه میریم همبستگی میان دادها های بیماران قلبی رو مورد بررسی قرار میدیم که ج قدر ویژگی های دیتا با مشکل بیماری شخص وابسته است
مفاهیم همبستگی میان داده ها بخش سوم | مصور سازی نتایج و همبستگی میان داده ها به شکل نمودار
این جلسه میریم با کدزنی داده هامون رو مصور میکنیم و به شکل نمودار و چارت برای خودمون تفسیر میکنیم
مثالی دیگر از همبستگی میان داده ها | کار با دیتای ماشین های مختلف
تو این جلسه میریم سراغ دیتای ماشین ها و با هم ویژگی های مختلف ماشین ها رو با هم مقایسه میکنیم و مصور میکنیم تا فهمش با نمودار بهتر باشه
مفهوم classification در ماشین لرنینگ
این قسمت به یکی از مفاهیم مهم در ماشین لرنینگ که یکی از تسک های همیشکی در هوش مصنوعی هست رو با هم دنبال میکنیم
تشخیص دست نوشته بخش اول | کار با دیتاهای تصویری Mnist
این قسمت میریم سراغ کار با دیتاهای تصویری و پیش پردازش آن ها
تشخیص دست نوشته بخش دوم| اشنایی با الگوریتم SVM
این قسمت میریم سراغ الگوریتم جدید و استفاده برای تشخیص دست نوشته های ما یا همون دیتاست MNIST
بررسی معیار های f1 recall percision در ماشین لرنینگ
این قسمت سه معیار مهم که برای ارزیابی مدل های ماشین لرنینگ به کار میرن رو با هم یادمیگیریم
بررسی معیار های f1 recall percision در ماشین لرنینگ | بر روی الگوریتمSVM و دیتاست MNIST
این قسمت الگوریتمی که آموزش دادیم رو با معیار هایی که توضیح داده شد مورد ارزیابی قرار میدیم
مفهوم classification در ماشین لرنینگ | مفهوم الگوریتم KNN
در این قسمت با الگوریتم knn آشنا میشم
استفاده از الگوریتم Knn در مثال تشخیص دست نوشته Mnist
تو این قسمت از الگوریتم knn برای مثالی که در قسمت های قبلی داشتیم حل میکردیم استفاده میکنیم
آشنایی با دیتاست IRIS | پیاده سازی الگوریتم DecisionTree
این قسمت اول از همه با دیتاست آیریس آشنا و بعد بدون معطلی میریم از الگوریتم Decision Tree استفاده میکنیم ولی قسمت بعدیش درباره نحوه کارکرد خد الگوریتم حرف میزنیم
مفهوم Decision tree
تو این قسمت به مفهوم این الگوریتم میپردازیم تعجب کنید این دفعه خوده الگوریتم رو بعد استفاده ازش یاد میگیریم :)
بررسی معیار Gini | خلوص و impurity
این قسمت به ریاضیات و مفهوم معیار gini استفاده شده در درخت تصمیم میپردازیم.
مفهوم الگوریتم Random forest
تو این قسمت میریم سراغ یکی از الگوریتم های باحال ماشین لرنینگ و یادش میگیریم
آشنایی با الگوریتم Adaboost |پیاده سازی بر روی داده های MNIST
تو این قسمت به بررسی الگوریتم adaboost میپردازیم و مقداری هم باهاش کد میزنیم
بررسی داکیومنت الگوریتم SVC و بررسی پارامتر های الگوریتم
تو این قسمت داکیومنت الگوریتم رو مورد بررسی قرار دادیم
بررسی داکیومنت الگوریتم SVC و بررسی پارامتر های الگوریتم بخش دوم
شاید کدی نزده باشیم تو این قسمت اون طوری ولی یادتون باشه همیشه باید داکیومنت الگوریتم ها رو بررسی کرد تا به الگوریتم آگاهی پیدا کرد این قسمت هم ادامه بررسی الگوریتم Svc و اقسام ان میپردازیم
بررسی داکیومن الگوریتم random forest و پارامتر های آن
مثل چند قسمت قبلی میخوایم بریم سراغ داکیومتیشن scikit learn و درباره random forest بررسی کنیم
توضیح دو مفهوم مهم بایاس و واریانس
خب دو مفهوم خیلی جذاب بایاس و واریانس رو این قسمت با هم بررسی میکنیم
دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | Text mining بخش اول
این قسمت میریم با یک سری از مباحث اولیه پردازش زبان طبیعی خبر های متنی رو تحلیل کنیم
دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | Text mining بخش دوم
این قسمت به سراغ مفاهیمی که داخل text mining استفاده میشه رو توضیح میدیم فایل های جلسه قبل رو همراه با این جلسه براتون قرار میدم اگر این قسمت صدام یه مقداری گرفته بود با عرض پوزش :(
دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | آشنایی با هضم و شروع کد زنی
ادامه مباحث قبلی رو با کد زنی پیش میبریم ممکنه حجم دیتایی که دانلود میکنید یه مقداری زیاد باشه
دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | ادامه کد زنی
این قسمت هم میریم مفاهیمی رو که یادگرفتیم در قالب کد داشته باشیم
دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | قسمت آخر
و در اخر الگوریتم یادگیریش رو کامل کرد و ما هم با معیار هایی که قسمتهای قبلی یادگرفتیم ازشون استفاده کردیم
مفهوم Regression در ماشین لرنینگ
این قسمت دومین کاربرد یعنی Regression رو با هم بررسی میکنیم
حل مثال پیش بینی آب و هوا با ماشین لرنینگ
این قسمت میریم که با هم دیگه الگوریتم رو آموزش بدیم که بتونه آب و هوا رو پیش بینی کنه
حل مثال پیش بینی آب و هوا با ماشین لرنینگ | معیار R2 Score
تا حالا شنیدین میگن مثلا این قدر وزنه این کالا با خطای 3 درصد هستش ما این چلسه میریم یک معیاری رو یادمیگریم که به ما این میزان خطا رو در تسک های Regression بده
بررسی الگوریتم XgBoost | یکی از خوب های ماشین لرنینگ
این قسمت میریم سراغ این الگوریتم البته که من حرفی نمیزنم خودتون ببینید :))
بررسی داکیومنت الگوریتم XgBoost
این قدر که این الگوریتم خوبه آدم دلش نمیاد ازش دل بکنه پس این قسمت میریم کامل سراغ داکیومنتش رو بررسی میکنیم
بررسی و جمع بندی فصل classification | Regression
خب دیگه به اخر راه رسیدیم :) شوخی کردم تازه فصل دو رو تموم کردیم و هنوز کار داریم این قسمت تمام چیز هایی که یادگرفتیم رو با هم جمع بندی میکنیم
مفاهیم کلاسترینگ | خوشه بندی در ماشین لرنینگ
این قسمت رو دقیق و کامل ببینید و به مفاهیم مسلط بشید چون ممکنه یه مقداری سخت باشه
نظرات کاربران در رابطه با این دوره