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...

مشاهده دوره و ثبت نام
قیمت این دوره: 850,000 340,000 تومان
  • مدرس دوره : امیرحسین ساوه دربندسری
  • تعداد ویدیوها : 68 ویدیو
  • مدت زمان دوره : 16:12:00
  • سطح دوره : متوسط
  • وضعیت دوره : به اتمام رسیده
  • تاریخ آخرین بروزرسانی : 1402/08/01
ثبتـــ نام در این دوره ثبت نام در دوره
آموزش مدلسازی پایه و ماشین لرنینگ با پایتون

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 :

  1. دوره مبانی و مقدمات هوش مصنوعی
  2. زبان برنامه نویسی پایتون

فهرستـــ ویدیوها

مدت زمان دوره 16:12:00

  • با مشاهده آنلاین جلسات در سایت ، هزینه اینترنت شما به صورت نیم بها محاسبه خواهد شد.

1

  • پیش از شروع بخش اول

00:07:00

ابتدا مقدمه ای از سر فصل های دوره رو با هم ببینیم

2

  • پیش از شروع بخش دوم

00:09:00

درباره دوره و نحوه تدریس و زمان هر قسمت با هم گفتگو داشته باشیم

3

  • آماده سازی و شناخت محیط های عملیاتی

00:06:00

محیط های عملیاتی رو با هم بشناسیم

4

  • مباحث پیشرفته تر pandas و numpy بخش اول

00:25:00

مباحث بیشتر و پیشرفته تری رو که از دوره مبانی هوش مصنوعی باقی مونده است رو با هم ادامه میدیم و تکمیل میکنیم

5

  • مباحث پیشرفته تر pandas و numpy بخش دوم

00:21:00

بخش دوم مباحث رو در این قسمت پیش می بریم البته میریم سراغ یک دیتاست خیلی خیلی معروف

6

  • مباحث پیشرفته تر pandas و numpy بخش سوم

00:21:00

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

7

  • اشنایی با مفهوم پیش پردازش داده و کتابخونه sklearn

00:13:34

اول از همه میریم سراغ چرایی و چ طوری پیش پردازش داده و اشنایی اولیه با sklearn

8

  • مفاهیم پیش پردازش داده ها بخش اول

00:17:00

این قسمت میریم سراغ بخش های مختلف پیش پردازش یک داده

9

  • مفاهیم پیش پردازش داده ها بخش دوم

00:17:00

بریم سراغ این که مفاهیمی که یاد گرفتیم رو به صورت کد یادبگیریم

10

  • مفاهیم پیش پردازش داده ها بخش سوم

00:17:00

و باز هم مفاهیم رو در فالب کد با هم دیگه یادمیگیریم

11

  • مفاهیم پیش پردازش داده ها بخش چهارم

00:15:00

عمیق تر و پیشرفته تر مفاهیم پیش پردازش رو در قالب کد دنبال میکنیم

12

  • مفاهیم پیش پردازش داده ها بخش آخر

00:10:00

اخرین بخش از یکی از مفاهیم خیلی مهم در فرایند یادگیری ماشینی

13

  • مفاهیم همبستگی میان داده ها بخش اول

00:18:00

اول از همه میریم سراغ فهم همبستگی میان داده ها روش هاش و ریاضیاتش

14

  • مفاهیم همبستگی میان داده ها بخش دوم | کار با داده های بیماران قلبی

00:19:00

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

15

  • مفاهیم همبستگی میان داده ها بخش سوم | مصور سازی نتایج و همبستگی میان داده ها به شکل نمودار

00:09:00

این جلسه میریم با کدزنی داده هامون رو مصور میکنیم و به شکل نمودار و چارت برای خودمون تفسیر میکنیم

16

  • مثالی دیگر از همبستگی میان داده ها | کار با دیتای ماشین های مختلف

00:20:00

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

17

  • مفهوم classification در ماشین لرنینگ

00:18:30

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

18

  • تشخیص دست نوشته بخش اول | کار با دیتاهای تصویری Mnist

00:17:00

این قسمت میریم سراغ کار با دیتاهای تصویری و پیش پردازش آن ها

19

  • تشخیص دست نوشته بخش دوم| اشنایی با الگوریتم SVM

00:20:00

این قسمت میریم سراغ الگوریتم جدید و استفاده برای تشخیص دست نوشته های ما یا همون دیتاست MNIST

20

  • بررسی معیار های f1 recall percision در ماشین لرنینگ

00:26:00

این قسمت سه معیار مهم که برای ارزیابی مدل های ماشین لرنینگ به کار میرن رو با هم یادمیگیریم

21

  • بررسی معیار های f1 recall percision در ماشین لرنینگ | بر روی الگوریتمSVM و دیتاست MNIST

00:10:00

این قسمت الگوریتمی که آموزش دادیم رو با معیار هایی که توضیح داده شد مورد ارزیابی قرار میدیم

22

  • مفهوم classification در ماشین لرنینگ | مفهوم الگوریتم KNN

00:12:23

در این قسمت با الگوریتم knn آشنا میشم

23

  • استفاده از الگوریتم Knn در مثال تشخیص دست نوشته Mnist

00:06:27

تو این قسمت از الگوریتم knn برای مثالی که در قسمت های قبلی داشتیم حل میکردیم استفاده میکنیم

24

  • آشنایی با دیتاست IRIS | پیاده سازی الگوریتم DecisionTree

00:16:00

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

25

  • مفهوم Decision tree

00:12:00

تو این قسمت به مفهوم این الگوریتم میپردازیم تعجب کنید این دفعه خوده الگوریتم رو بعد استفاده ازش یاد میگیریم :)

26

  • بررسی معیار Gini | خلوص و impurity

00:16:00

این قسمت به ریاضیات و مفهوم معیار gini استفاده شده در درخت تصمیم میپردازیم.

27

  • مفهوم الگوریتم Random forest

00:12:00

تو این قسمت میریم سراغ یکی از الگوریتم های باحال ماشین لرنینگ و یادش میگیریم

28

  • آشنایی با الگوریتم Adaboost |پیاده سازی بر روی داده های MNIST

00:22:00

تو این قسمت به بررسی الگوریتم adaboost میپردازیم و مقداری هم باهاش کد میزنیم

29

  • بررسی داکیومنت الگوریتم SVC و بررسی پارامتر های الگوریتم

00:22:00

تو این قسمت داکیومنت الگوریتم رو مورد بررسی قرار دادیم

30

  • بررسی داکیومنت الگوریتم SVC و بررسی پارامتر های الگوریتم بخش دوم

00:14:00

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

31

  • بررسی داکیومن الگوریتم random forest و پارامتر های آن

00:08:19

مثل چند قسمت قبلی میخوایم بریم سراغ داکیومتیشن scikit learn و درباره random forest بررسی کنیم

32

  • توضیح دو مفهوم مهم بایاس و واریانس

00:12:00

خب دو مفهوم خیلی جذاب بایاس و واریانس رو این قسمت با هم بررسی میکنیم

33

  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | Text mining بخش اول

00:22:00

این قسمت میریم با یک سری از مباحث اولیه پردازش زبان طبیعی خبر های متنی رو تحلیل کنیم

34

  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | Text mining بخش دوم

00:15:00

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 :(

35

  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | آشنایی با هضم و شروع کد زنی

00:13:00

ادامه مباحث قبلی رو با کد زنی پیش میبریم ممکنه حجم دیتایی که دانلود میکنید یه مقداری زیاد باشه

36

  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | ادامه کد زنی

00:19:00

این قسمت هم میریم مفاهیمی رو که یادگرفتیم در قالب کد داشته باشیم

37

  • دسته بندی و تحلیل خبر های متنی با ماشین لرنینگ | قسمت آخر

00:15:21

و در اخر الگوریتم یادگیریش رو کامل کرد و ما هم با معیار هایی که قسمتهای قبلی یادگرفتیم ازشون استفاده کردیم

38

  • مفهوم Regression در ماشین لرنینگ

00:15:32

این قسمت دومین کاربرد یعنی Regression رو با هم بررسی میکنیم

39

  • حل مثال پیش بینی آب و هوا با ماشین لرنینگ

00:20:00

این قسمت میریم که با هم دیگه الگوریتم رو آموزش بدیم که بتونه آب و هوا رو پیش بینی کنه

40

  • حل مثال پیش بینی آب و هوا با ماشین لرنینگ | معیار R2 Score

00:22:00

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

41

  • بررسی الگوریتم XgBoost | یکی از خوب های ماشین لرنینگ

00:14:00

این قسمت میریم سراغ این الگوریتم البته که من حرفی نمیزنم خودتون ببینید :))

42

  • بررسی الگوریتم XgBoost | کدزنی و حل مثال قیمت خانه

00:26:00

یکی از خوبا رو با هم کد میزنیم ازش

43

  • بررسی داکیومنت الگوریتم XgBoost

00:10:32

این قدر که این الگوریتم خوبه آدم دلش نمیاد ازش دل بکنه پس این قسمت میریم کامل سراغ داکیومنتش رو بررسی میکنیم

44

  • بررسی و جمع بندی فصل classification | Regression

00:10:00

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

45

  • مفاهیم کلاسترینگ | خوشه بندی در ماشین لرنینگ

00:09:41

این قسمت رو دقیق و کامل ببینید و به مفاهیم مسلط بشید چون ممکنه یه مقداری سخت باشه

46

  • الگوریتم های Kmeans و DbScan برای خوشه بندی

00:11:32

دو الگوریتم خیلی ساده ولی واقعا کاربردی رو بررسی میکنیم

47

  • بررسی معیار silhouette

00:09:53

یکی از سختت گیرانه ترین معیار های ممکن برای کلاسترینگ

48

  • کلاسترینگ بر روی متن | Text mining بر روی سوالات و جواب ها

00:24:00

خب دوباره میخوایم با متون کار کنیم ولی خب ما قبلا چون کار کردیم و ازش کد زدیم دیگه برامون خیلی راجت تره

49

  • بررسی مفهوم outlier detection و الگوریتم LOF

00:12:34

خب این قسمت میریم سراغ مفهوم دیتا های پرت یعنی کسانیی که از الگوی رفتای که تمایل داریم پیروی نمیکنن میندازیم بیرون بیشتر تو حوزه امینت کاربرد داره

50

  • حل یک مثال برای Outlier detection بر روی داده های تراکنش های بانکی

00:19:00

حل مثال و کد زنی درباره مفهوم قسمت قبل

51

  • بررسی الگوریتم Isolation Tree

00:07:00

این قسمت الگوریتم رو مورد بررسی قرار میدیم ولی کدی نخواهیم زد و تمرین شماست تا از کد های جلسه قبل من استفاده کنید و با خوندن داکیومنت مثال رو با این الگوریتم حل کنیم

52

  • بررسی تکنیک dimension Reduction در ماشین لرنینگ

00:10:00

این قسمت به یکی از مفاهیم جالب یعنی کاهش ابعاد میپردازیم

53

  • بررسی الگوریتم PCA

00:13:21

به بررسی یکی از الگوریتم های خوب dimension Reduction میپردازیم

54

  • بررسی الگوریتم Factor Analysis در Dimension Reduction

00:06:00

مثل قسمت قبل به ااگوریتم میپردازیم

55

  • بررسی داکیومنت الگوریتم های ذکر شده

00:08:24

این قسمت داکیومنت را با هم بررسی میکنیم البته که این قسمت از کلمه "کد" این قدر که استفاده شده کل دوره استفاده نکردیم ولی این قسمت و چند قسمت قبلی خودتون دست به کد میشید و با نگاه کردن مثال ها و داکیومنت مثال رو حل میکندی

56

  • بررسی مفهوم imbalanced data

00:08:00

خب دوستان این قسمت رو که نگاه کردید لطفا از فایل های دوره فایل ReadMe.txt رو باز کنید و بخونید و شروع به حل مثال از صفر تا صد کنید مرسی که تا به اینجا همراهی کردین

57

  • سخنی کوتاه و پایانی

00:06:00

خب تا به اینجای کار خیلی از مفاهیم مختلفی رو یادگرفتیم حالا نیاز داریم که خودمون رو با کد بیشتر تقویت کنیم که تو آپدیت دوره بهش میپردازیم سالم و سرحال باشید خدا نگه دار

58

  • آپدیت اول دوره | مصور سازی داده و آشنایی با نمودار ها بخش اول

00:19:00

این قسمت به مصور سازی داده میپردازیم

59

  • آپدیت اول دوره : مصور سازی داده و آشنایی با چارت ها بخش دوم

00:11:00

آپدیت دوم دوره

60

  • آپدیت اول دوره | مصور سازی داده و آشنایی با سری زمانی و مصور سازی آن

00:11:00

میریم سراغ دیتاهای شرکت اپل در رنج سال های مختف

61

  • آپدیت اول دوره | مصور سازی داده , آشنایی با matplotlib

00:15:00

خب بریم سراغ matplotlib

62

  • حل مثال با matplot و آشنایی بیشتر

00:15:00

این قسمت با هم بیشتر پارامتر های رو میشناسیم

63

  • آپدیت اول دوره | حل مثال از matplotlib و آشنایی بیشتر | بخش آخر

00:09:00

خب قسمت اخر از مصور سازی داده و در اخر آپدیت ها براتون کلی منبع میزارم پس ادامه بدید و قوی تر شید

64

  • آپدیت دوم دوره | تکنیک RFM برای تحلیل و خوشه بندی

00:08:24

این قسمت میریم یک مفهوم چدید به نام RFM رو یاد میگیریم.

65

  • آپدیت دوم دوره | تکنیک RFM با داده های Online Shop

00:17:00

مفاهیم جلسه قبل رو با هم پیاده سازی میکنیم

66

  • آپدیت دوم دوره | تکنیک RFM با داده های Online Shop

00:12:23

خب بالاخره به هر سختی بود تونستیم RMF رو برای خودمون بسازیم

67

  • آپدیت دوم دوره | تکنیک RFM با داده های Online Shop بخش آخر

00:06:27

و خب این هم بخش آخر آپدیت دوره خیلی عالی میشه اگر یه بار خودتون پیاده سازی رو انجام بدین و سورس و دیتا هم در این قسمت قرار گرفته

68

  • آپدیت سوم دوره | سورس کدخوانی برای سری های زمانی | مثال از داده های شرکت هواپیمایی

00:11:32

خب بریم یک سورس کد عالی که همه چی داخلش داره رو با هم کداش رو بخونیم ولی این دقعه قرار نیست کدی ران کنیم البته که دیتا رو کنار فایل اصلی قرار دادم براتون.

اینستاگرام
تلگرام

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 .