توضیحات
یادگیری ماشین چیست؟
یادگیری ماشین، علمی کاربردی است. و از زیر بخش های علوم کامپیوتر و مهندسی کامپیوتر محسوب می شود. در یادگیری ماشین تلاش میکنیم تا فرآیند تصمیم گیری، پیش بینی و تخمین را برای سیستم های رایانه ای شبیه سازی کنیم. و در اصل کاری کنیم که کامپیوتر بتواند درک کنند و یاد بگیرند! مگر این کار شدنی است؟ بله خیلی از سیستم های اطراف شما از همین روش ها استفاده میکنند. کاربرد هایی مثل سرچ گوگل، پیشنهادات اینستاگرام در اکسپلور، ماشین های خودران، پیش بینی بورس و آب و هوا و …
علوم داده هم علمی مرتبط و مکمل یادگیری ماشین است که در فرآیند های هوش مصنوعی بسیار از آن استفاده می شود و به ما کمک میکند تا داده ها را به درستی مدیریت کنیم، تحلیل کنیم و برای مدل های یادگیری ماشین و یادگیری عمیق آماده کنیم.
پیچیده شد؟ هم باید علوم داده و پردازش داده ها را یاد بگیریم هم یادگیری ماشین؟ هم باید الگوریتم ها رو یاد بگیریم هم پیاده سازی آن الگوریتم ها و برنامه نویسی آنها؟ خب وقتی از بیرون به مسئله نگاه میکنیم کار سخت و پیچیده می شود.
ولی آکادمی رسا برای شما راه حلی آماده کرده که حاصل سالها تجربه در حوزه هوش مصنوعی به صورت آکادمیک و صنعتی است. دوره ای را برایتان آماده کردیم که بیش از 6 ماه برای تهیه مطالب آن زمان صرف شده. حاصل این 6 ماه چند ساعت ویدئو شده؟ فقط 14ساعت. یعنی سالها تجربه در 6 ماه تبدیل به چکیده ای شده تا شما بتوانید با مطالعه آن به متخصص حوزه یادگیری ماشین و علوم داده تبدیل شوید آن هم در زبان برنامه نویسی پایتون.
ویدئوی اولین قسمت دوره یادگیری ماشین و علوم داده
راهنمای استفاده از دوره
در ویدئو زیر به طور کامل در خصوص نحوه تهیه، دانلود و استفاده از دوره آموزش داده شده و پیشنهاد می دهیم که در ابتدا این ویدئو را مشاهده فرمایید.
نمونه هایی از آموزش های دوره
جلسه سی و پنجم
سرفصل های دوره آموزش یادگیری ماشین و علوم داده در پایتون
جزئیات دوره
- 14 فصل
- 47 قسمت
- و بیش از ده پروژه
سرفصل ها :
- فصل اول :Numpy
- فصل دوم :Pandas
- فصل سوم : تمرین Pandas
- فصل چهارم : Matplotlib
- فصل پنجم : مفاهیم یادگیری ماشین
- فصل ششم : رگرسیون خطی
- فصل هفتم : Cross Validation
- فصل هشتم : Logistic Regression
- فصل نهم : KNN
- فصل دهم: درخت تصمیم گیری و جنگل های تصادفی
- فصل یازدهم : SVM
- فصل دوازدهم : خوشه بندی K-Means
- فصل سیزدهم : PCA
- فصل چهاردهم : پروژه های تکمیلی
فصل اول :Numpy
- معرفی numpy
- آرایه های numpy
- Indexing & selection
- عملگر های Numpy
- تمرین numpy
فصل دوم :Pandas
- معرفی Pandas
- سری های Pandas
- دیتافریم ها در Pandas
- Missing data در Pandas
- GroupBy در Pandas
- pandas-merging-joining-concat
- عملگر های Pandas
- ورودی و خروجی ها در Pandas
فصل سوم : تمرین Pandas
- پروژه آنالیز درآمد ها در پانداز
- پروژه آنالیز خرید های اینترنتی
فصل چهارم : Matplotlib
- معرفی matplotlib
- درس matplotlib
- تمرین matplotlib
- مفاهیم پیشرفته matplotlib
فصل پنجم : مفاهیم یادگیری ماشین
- یادگیری ماشین چیست
فصل ششم : رگرسیون خطی
- تئوری رگرسیون خطی
- مینی پروژه رگرسیون خطی
- تمرین رگرسیون خطی
فصل هفتم : Cross Validation
- تئوری Cross Validation
فصل هشتم : Logistic Regression
- تئوری Logistic Regression
- پیاده سازی و استفاده از Logistic Regression
- پروژه Logistic Regression
فصل نهم : KNN
- تئوری KNN
- پیاده سازی و استفاده از KNN
- پروژه KNN
فصل دهم: درخت تصمیم گیری و جنگل های تصادفی
- تئوری درخت های تصمیم گیری
- پیاده سازی و استفاده از درخت و جنگل
- پروژه درخت تصمیم گیری و جنگل تصادفی
فصل یازدهم : SVM
- تئوری Support Vector Machines
- پیاده سازی SVM
- پروژه SVM
فصل دوازدهم : خوشه بندی K-Means
- تئوری K-Means
- پروژه K-Means
فصل سیزدهم : PCA
- تئوری PCA
- پروژه PCA
فصل چهاردهم : پروژه های تکمیلی
- 6 پروژه و مینی پروژه تکمیلی
دوره جامع صفر تا متخصص هوش مصنوعی
همچنین می توانید با مراجعه صفحه دوره جامع صفر تا متخصص شدن هوش مصنوعی مراجعه کنید و این پکیج را در کنار دیگر نیازمند های هوش مصنوعی به صورت یک جا دریافت نمایید.
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.