کارگاه یادگیری ماشین (Machine Learning)

2,988,000 تومان

14 فصل

مدرک اتمام دوره

پشتیبانی دائمی

اگر میخواهید...

قدم به دنیای هوش مصنوعی و تحلیل داده بگذارید!
با یادگیری ماشین و کاربردهای مختلف آن آشنا شوید!
مسائل مختلف دنیای واقعی را با روش های یادگیری ماشین حل کنید!

این دوره برای شما مناسب است.

الگوریتم های یادگیری ماشین بخش جدایی ناپذیر برنامه های مدرن هستند. راه های شروع فعالیت در زمینه ی یادگیری ماشین زیاد است اما ما در این دوره راهی را برای افزایش سرعت و کیفیت یادگیری بکارگرفته ایم که مطمئن باشیم کمتر درگیر پیچیدگی های پایتون و راه اندازی محیط شوید و با خیال راحت به یادگیری مفاهیم کلیدی و کاربردی یادگیری ماشین بپردازید و مسائل کلیدی یادگیری ماشین را بیاموزید.

این دوره در 420 قسمت و 40 مثال و 30 تمرین به گونه ای تدوین شده است که تمامی موارد کلیدی و ضروری یادگیری ماشین را پوشش دهد و کاملا با مباحث یادگیری ماشین آشنا شوید.

همچنین اگر قصد اجرای کدها روی سیستم خود را ندارید میتوانید به محیط تعاملی مدرن ما اطمینان کنید و کدهای این دوره را در هر مرورگری اجرا کنید.

زمان تقریبی مطالعه و یادگیری دوره:

محتوای ویدیویی: 8 ساعت

زمان پیشنهادی برای یادگیری : 1.5 ماه

پیش نیاز:

زبان برنامه نویسی پایتون

فصل های دوره

1- درباره ی سر فصل ها
2- قراردادها و کلمات تخصصی
3- دسترسی به پشتیبانی
4- قبل از شروع

1- معرفی
2- مقدمه ای بر یادگیری ماشینی
3- کاربرد های یادگیری ماشین
4- انتخاب الگوریتم درست برای یادگیری ماشینی
5- کتابخانه Scikit-Learn
6- مزیت های Scikit-Learn
7- معایب Scikit-Learn
8- دیگر فریم ورک های یادگیری ماشین
9- ارائه‌ی داده‌ها
10- جداول داده
11- Features & Target Matrices
12- مثال 1.01: بارگذاری یک دیتاسِت نمونه و تشکیل ماتریس‌های هدف و فیچر
13- تمرین ۱.۰۱: انتخاب یک فیچرِ هدف و ایجاد یک ماتریسِ هدف
14- پیش‌پردازشِ داده‌ها
15- Messy Data
16- Missing Values
17- Outliers
18- مثال ۱.۰۲: هندل کردن داده های ناجور
19- کار با فیچرهای طبقه‌بندی شده
20- Feature Engineering
21- مثال 1.03: کاربرد مهندسی ویژگی در داده‌های متنی
22- تغییر مقایس مجدد داده‌ها
23- مثال ۱.۰۴: نرمالیزاسیون و استانداردسازی داده‌ها
24- تمرین ۱.۰۲: پیش پردازش کل یک دیتاست
25- Scikit-Learn API
26- Scikit-Learn API چگونه کار میکند؟
27- Estimator
28- Predictor
29- Transformer
30- Supervised and Unsupervised Learning
31- Supervised Learning
32- Unsupervised Learning
33- خلاصه فصل

1- مقدمه‌ی فصل
2- خوشه‌بندی
3- انواع خوشه‌بندی
4- کاربردهای خوشه بندی
5- در جستجوی یک دیتاست
6- شناخت دیتاست
7- Data Visualization
8- بارگذاری دیتاست با استفاده از Pandas
9- ابزار‌های بصری‌‌سازی
10- مثال 2.01: ترسیم هیستوگرام تک فیچری
11- تمرین 2.01: بکارگیری تکنیک بصری‌سازی در راستای تسهیل فرآیند پیش‌پردازش داده‌ها
12- الگوریتم K-MEANS
13- شناخت عمیق‌تر الگوریتم K-MEANS
14- متدهای راه‌اندازی اولیه
15- تعیین تعداد خوشه‌ها
16- مثال 2.02: فراخوانی و آموزش الگوریتم K-Means روی یک دیتاست
17- تمرین 2.02: اعمال الگوریتم K-Means بر روی یک دیتاست
18- الگوریتم Mean-Shift
19- شناخت عمیق‌تر الگوریتم MEAN-SHIFT
20- روی یک دیتاستMean-Shiftمثال 2.03: وارد کردن و آموزش الگوریتم
21- در دیتاستMean-Shiftتمرین 2.03: اعمال الگوریتم
22- الگوریتم DBSCAN
22- الگوریتم DBSCAN
24- روی دیتاستDBSCAN مثال 2.04: وارد کردن و آموزش الگوریتم
25- روی دیتاستDBSCAN تمرین 2.04: اعمال الگوریتم
26- ارزیابی عملکرد خوشه ها (Evaluating the Performance of Clusters)
27- Scikit-Learn معیارهای موجود در
28- مثال 2.05: ارزیابی امتیاز ضریب سیلوئت و شاخص کالینسکی-هاراباسز
29- تمرین 2.05: اندازه گیری و مقایسه عملکرد الگوریتم ها
30- خلاصه

1- مقدمه
2- وظایف یادگیری تحت نظارت (Supervised Learning Tasks)
3- اعتبار سنجی و آزمایش مدل (Model Validation and Testing)
4- پارتیشن بندی داده ها (Data Partitioning)
5- نسبت تقسیم (Split Ratio)
6- تمرین 3.01: اجرای یک پارتیشن داده در یک دیتاست نمونه
7- اعتبار سنجی متقابل
8- تمرین 3.02: استفاده از اعتبارسنجی متقاطع برای تقسیم کردن ست آموزش به دو ست آموزشی و اعتبارسنجی
9- فعالیت 3.01: پارتیشن بندی داده ها در دیتاست های عددی دست نویس
10- معیارهای ارزیابی (Evaluation Metrics)
11- معیارهای ارزیابی برای وظایف طبقه بندی (Evaluation Metrics for Classification Tasks)
12- ماتریس درهم ریختگی (Confusion Matrix)
13- دقت (Accuracy)
14- درستی (Precision)
15- فراخوان (Recall)
16- تمرین 3.03: محاسبه معیارهای ارزیابی مختلف در یک کار طبقه بندی
17- انتخاب یک معیار ارزیابی
18- معیارهای ارزیابی برای وظایف رگرسیونی
19- تمرین 3.04: محاسبه معیارهای ارزیابی در یک کار رگرسیونی
20- فعالیت 3.02: ارزیابی عملکرد مدل آموزش داده شده بر روی دیتاست های دست نویسی
21- تجزیه و تحلیل خطا (Error Analysis)
22- بایاس، واریانس و عدم تطابق داده ها
23- تمرین 3.05: محاسبه میزان خطا در ست های مختلف داده
24- فعالیت 3.03: انجام تجزیه و تحلیل خطا بر روی یک مدل آموزش دیده برای تشخیص اعداد دست نویس
25- خلاصه

1- مقدمه
2- کاوش دیتاست ها (Exploring the Dataset)
3- شناخت دیتاست ها (Understanding the Dataset)
4- الگوریتم ساده بیز (The Naïve Bayes Algorithm)
5- الگوریتم ساده بیز چگونه کار می کند؟
6- مثال 4.01: استفاده از الگوریتم ساده بیز
7- تمرین 4.01: آموزش یک مدل ساده بیز برای دیتاست های سرشماری درآمد
8- الگوریتم درخت تصمیم (The Decision Tree Algorithm)
9- الگوریتم درخت تصمیم چگونه کار می کند؟
10- مثال 4.02: اعمال الگوریتم درخت تصمیم
11- تمرین 4.02: آموزش یک مدل درخت تصمیم برای دیتاست های سرشماری درآمد
12- الگوریتم پشتیبانی ماشین بردار (The Support Vector Machine Algorithm)
13- الگوریتم SVM چگونه کار می کند؟
14- مثال 4.03: اعمال الگوریتم SVM
15- برای دیتاست های درآمد سرشماریSVM تمرین 4.03: آموزش یک مدل
16- تجزیه و تحلیل خطا (Error Analysis)
17- دقت، صراحت و فراخوانی
18- خلاصه فصل

1- مقدمه
2- شبکه های عصبی مصنوعی
3- ها چگونه کار می کنند؟ ANN
4- شروع تکثیر
5- تابع هزینه
6- پس انتشار
7- به روز رسانی وزن ها و سوگیری ها
8- آشنایی با فراپارامترها
9- تعداد لایه ها و واحدهای پنهان
10- توابع فعال سازی
11- منظم سازی
12- اندازه دسته
13- نرخ یادگیری
14- تعداد تکرارها
15- کاربردهای شبکه های عصبی
16- محدودیت های شبکه های عصبی
17- استفاده از شبکه عصبی مصنوعی
18- Scikit-Learn پرسپترون چندلایه ای کتابخانه
19- mlp مثال 5.01: استفاده از کلاس طبقه بندی کننده ی
20- فعالیت 5.01: آموزش یک پرسپترون چندلایه برای دیتاست های سرشماری درآمد
21- تجزیه و تحلیل عملکردی
22- تجزیه و تحلیل خطا
24- مقایسه مدل
25- فعالیت 5.02: مقایسه مدل های مختلف برای انتخاب بهترین مدل برای حل مشکل داده های سرشماری درآمد
26- خلاصه فصل

1- مقدمه
2- تعریف برنامه
3- ساختن یک برنامه – مراحل کلیدی
4- اماده سازی
5- ایجاد
6- اثر متقابل
7- شناخت مجموعه داده
8- فعالیت 6.01: انجام مراحل آماده سازی و ایجاد دیتاست های بازاریابی بانکی
9- ذخیره و بارگذاری یک مدل آموزش دیده
10- ذخیره یک مدل
11- مثال 6.01: ذخیره یک مدل آموزش دیده
12- بارگذاری یک مدل
13- مثال 6.02: بارگیری یک مدل ذخیره شده
14- فعالیت 6.02: ذخیره و بارگذاری مدل نهایی برایدیتاست های بازاریابی بانکی
15- تعامل با یک مدل آموزش دیده
16- مثال 6.03: ایجاد یک کلاس و یک کانال برای تعامل با یک مدل آموزش دیده
17- فعالیت 6.03: امکان تعامل مدل با دیتاست بازاریابی بانکی

1- مقدمه
2- هوش مصنوعی چگونه مشکلات را حل می کند؟
3- تنوع رشته ها در هوش مصنوعی
4- زمینه ها و کاربردهای هوش مصنوعی
5- شبیه سازی رفتار انسان
6- شبیه سازی هوش - آزمون تورینگ
7- برای قبولی در آزمون تورینگ به چه قوانینی نیاز داریم؟
8- ابزارهای هوش مصنوعی و مدل های یادگیری
9- عوامل هوشمند
10- نقش پایتون در هوش مصنوعی
11- چرا پایتون در یادگیری ماشین، علم داده و هوش مصنوعی غالب است؟
12- آناکوندا در پایتون
13- کتابخانه های پایتون برای هوش مصنوعی
14- معرفی مختصر کتابخانه NumPy
15- مثال 7.01: عملیات ماتریس با استفاده از NumPy
16- پایتون برای هوش مصنوعی بازی
17- عوامل هوشمند در بازی ها
18- جستجوی اول عرض و جستجوی اول عمق
19- الگوریتم جستجوی سطح اول
20- الگوریتم جستجوی عمق اول
21- کاوش در فضای حالت یک بازی
22- تخمین تعداد حالت های ممکن در یک بازی تیک تاک
23- مثال 7.02: ایجاد یک هوش مصنوعی با رفتار تصادفی برای بازی تیک تاک
24- تمرین 7.01: ایجاد تمام مراحل ممکن در یک بازی تیک تاک
25- مثال 7.03: آموزش برنده شدن به نماینده
26- دفاع هوش مصنوعی در برابر باخت
27- تمرین 7.02: آموزش نماینده برای درک موقعیت ها در هنگام دفاع در برابر ضرر
28- تمرین 7.03: اصلاح اولین و دومین حرکت هوش مصنوعی برای شکست ناپذیر کردن آن
29- کشف کننده
30- جستجوهای ناآگاه و آگاهانه
31- ایجاد اکتشافی
32- اکتشافی قابل قبول و غیر قابل پذیرش
33- ارزیابی اکتشافی
34- اکتشافی 1: ارزیابی ساده پایان بازی
35- اکتشافی 2 : ابزار یک حرکت
36- مثال 7.04: ارزیابی استاتیک بازی تیک تاک با یک تابع اکتشافی
37- استفاده از اکتشافی برای جستجوی آگاهانه
38- انواع اکتشافی
39- مسیریابی با الگوریتم A*
40- مثال 7.05: یافتن کوتاهترین مسیر با استفاده از BFS
41- معرفی الگوریتم A*
42- جستجو کاربردی A* با استفاده از کتابخوانه simpleai Library
43- هوش مصنوعی بازی با الگوریتم Minmax و Alpha-Beta Pruning (هرس کردن الفا-بتا)
44- الگوریتم های جستجو برای بازی های نوبتی چند نفره
44- بهینه سازی الگوریتم Minmax و Alpha-Beta Pruning (هرس کردن الفا-بتا)
45- الگوریتم Minmax
47- خشک کردن الگوریتم Minmax - الگوریتم NegaMax
48- استفاده از کتابخانه EasyAI
49- تمرین 7.04: اتصال چهار
50- خلاصه

1- مقدمه
2- رگرسیون خطی تک متغییره
3- انواع رگرسیون
4- ویژگی ها و برچسب ها
5- مقیاس بندی ویژگی ها
7- تقسیم داده ها به ست های آموزشی و آزمایشی
8- برازش یک مدل بر روی داده با scikit-learn
9- رگرسیون خطی با استفاده از آرایه های NumPy
10- نصب مدل با استفاده از NumPy Polyfit
11- رسم نتایج در پایتون
12- پیش بینی مقادیر با رگرسیون خطی
13- مثال 8.01: پیش بینی ظرفیت دانش آموزان یک مدرسه ابتدایی
14- رگرسیون خطی با متغیرهای چندگانه
15- رگرسیون خطی چندگانه
15- فرآیند رگرسیون خطی
16- وارد کردن داده ها از منابع داده
17- بارگیری قیمت سهام با استفاده از Yahoo Finance
18- مثال 8.02: استفاده از Quandl برای بارگیری قیمت سهام
19- آماده سازی داده ها برای پیش بینی
20- مثال 8.03: آماده سازی داده های Quandl برای پیش بینی
21- انجام و اعتبارسنجی رگرسیون خطی
22- پیش بینی آینده
23- رگرسیون بردار پشتیبان و رگرسیون بردار چند جمله ای
24- رگرسیون چند جمله ای با یک متغیر
25- مثال 8.04: رگرسیون چند جمله ای درجه اول، دوم و سوم
26- رگرسیون چند جمله ای با متغیرهای چندگانه
27- رگرسیون برداری پشتیبانی
28- پشتیبانی از ماشین های بردار با هسته چند جمله ای 3 درجه
29- تمرین 8.01: پیش‌بینی قیمت خانه بوستون با رگرسیون چند جمله‌ای درجات 1، 2، و 3 روی متغیرهای چندگانه
30- خلاصه

1- مقدمه
2- مبانی طبقه بندی
3- مثال 9.01: پیش‌بینی ریسک پیش‌فرض کارت اعتباری (بارگیری مجموعه داده)
4- پیش پردازش داده ها
5- مثال 9.02: اعمال رمزگذاری برچسب برای تبدیل متغیرهای طبقه ای به متغیرهای عددی
6- شناسایی ویژگی ها و برچسب ها
7- تقسیم داده ها به ست های آموزشی و آزمایشی با استفاده از Scikit-Learn
8- طبقه بندی کننده K-Nearest Neighbors
9- معرفی K-Nearest Neighbors Algorithm (KNN)
10- معیارهای فاصله با طبقه‌بندی‌کننده K-نزدیک‌ترین همسایگان در Scikit-Learn
11- فاصله اقلیدسی
12- فاصله منهتن/همینگ
13- مثال 9.03: شرح الگوریتم طبقه‌بندی‌کننده K-Nearest Neighbors Matplotlib
14- پارامتربندی طبقه‌بندی‌کننده K-Nearest Neighbors در scikit-learn
15- مثال 9.04: طبقه بندی K-Nearest Neighbors در scikit-learn
16- تمرین 9.01: افزایش دقت امتیاز اعتباری
17- طبقه بندی با ماشین بردار پشتیبان
18- دسته‌بندی‌کننده‌ ماشین بردار پشتیبان چیست؟
19- درک ماشین بردار پشتیبان
20- پشتیبانی از ماشین‌ بردار در scikit-learn
21- پارامترهای Sicit-Learn SVM
22- تمرین 9.02: پشتیبانی از بهینه سازی ماشین بردار در scikit-learn
23- خلاصه

1- مقدمه
2- درختان تصمیم
3- آنتروپی
4- مثال 10.01: محاسبه آنتروپی
5- به دست آوردن اطلاعات
6- ناخالصی جینی
7- شرایط خروج
8- ایجاد طبقه بندی درخت تصمیم گیری با استفاده از scikit-learn
9- معیارهای عملکردی برای طبقه‌بندی‌کننده‌ها
10- مثال 10.02: دقت، یادآوری، و محاسبه امتیاز F1
11- ارزیابی عملکرد طبقه‌بندی‌کننده‌ها با scikit-learn
12- ماتریس سردرگمی
13- تمرین 10.01: طبقه بندی داده های خودرو
14- طبقه بندی تصادفی Forest
15- طبقه بندی تصادفی جنگل با استفاده از scikit-learn
16- پارامترسازی طبقه‌بندی‌کننده تصادفی Forest
17- اعتبار فیچر
18- اعتبار سنجی متقابل
19- (Extremely Randomized Trees) درختان بسیار تصادفی
20- تمرین 10.02: طبقه بندی تصادفی Forest برای شرکت اجاره خودرو
21- خلاصه

1- مقدمه
2- تعریف مسئله خوشه بندی
3- رویکردهای خوشه بندی
4- الگوریتم های خوشه بندی پشتیبانی شده توسط scikit-learn
5- الگوریتم K-Means
6- مثال 11.01: پیاده سازی K-Means در Sicit-Learn
7- پارامترسازی الگوریتم K-Means در scikit-learn
8- مثال 11.02: بازیابی نقاط مرکزی و برچسب ها
9- K-Means خوشه بندی داده های فروش
9- تمرین 11.01: خوشه بندی داده های فروش با استفاده از K-Means
11- الگوریتم تغییر میانگین
12- مثال 11.03: پیاده سازی الگوریتم تغییر میانگین
13- الگوریتم تغییر میانگین در scikit-learn
14- خوشه بندی سلسله مراتبی
15- خوشه‌بندی سلسله مراتبی تجمعی در scikit-learn
16- خوشه بندی ارزیابی عملکرد
17- شاخص رند تعدیل شده
18- اطلاعات متقابل تنظیم شده
19- V-Measure، همگنی و کامل بودن
20- امتیاز فاولکس-مالوز
21- ماتریس اقتضایی
22- ضریب سیلوئت
23- شاخص کالینسکی-هاراباسز
24- شاخص دیویس-بولدین
25- تمرین 11.02: خوشه‌بندی داده‌های Red Wine با استفاده از الگوریتم تغییر میانگین و خوشه‌بندی سلسله مرات
26- خلاصه

1- مقدمه
2- نورون های مصنوعی
3- نورون ها در تنسورفلو
4- مثال 12.01: استفاده از عملیات پایه و ثابت های TensorFlow
5- معماری شبکه های عصبی
6- وزن ها
7- بایاس
8- استفاده از موارد برای شبکه های عصبی مصنوعی
9- توابع فعال سازی
9- سیگموئید
10- Tanh
11- ReLU
12- Softmax
13- مثال 12.02: توابع فعال سازی
14- انتشار رو به جلو و تابع ضرر
15- پس انتشار
16- بهینه سازها و میزان یادگیری
17- مثال 6.03: طبقه بندی تایید اعتبار
18- منظم سازی
19- مثال 12.04: پیش بینی قیمت خانه در بوستون با منظم سازی
20- تمرین 12.01: یافتن بهترین امتیاز دقت برای توزیع دیتاست ارقام
21- یادگیری عمیق
22- شبکه های کم عمق در مقابل شبکه های عمیق
23- بینایی کامپیوتری و طبقه بندی تصویر
24- شبکه های عصبی کانولوشن (CNN)
25- عملیات کانولوشنال
26- لایه ادغام
27- معماری CNN
28- تمرین 12.02: ارزیابی مدل تشخیص تصویر فشن با استفاده از CNN
29- شبکه های عصبی مکرر (RNN)
30- لایه های RNN
31- لایه GRU
32- لایه LSTM
33- تمرین 12.03: ارزیابی مدل سهام یاهو با RNN
34- سخت افزار لازم برای یادگیری عمیق
35- چالش ها و روندهای آینده
36- خلاصه

1- تمرین 1.01: انتخاب یک ویژگی هدف و ایجاد یک ماتریس هدف
2- تمرین 1.02: پیش پردازش کل دیتاست
3- تمرین 2.01: استفاده از تجسم داده برای کمک به فرآیند پیش پردازش
4- تمرین 2.02: اعمال الگوریتم k-mean در دیتاست
5- تمرین 2.03: اعمال الگوریت mean-shift در دیتاست
6- تمرین 2.04: اعمال الگوریتم DBSCAN روی دیتاست
7- تمرین 2.05: اندازه گیری و مقایسه عملکرد الگوریتم ها
8- تمرین 3.01: پارتیشن بندی داده ها در دیتاست های عددی دست نویس
9- تمرین 3.02: ارزیابی عملکرد مدل آموزش داده شده بر روی دیتاست های دست نویسی
10- تمرین 3.03: انجام تجزیه و تحلیل خطا بر روی یک مدل آموزش دیده برای تشخیص اعداد دست نویس
11- تمرین 4.01: آموزش یک مدل ساده بیز برای دیتاست های سرشماری درآمد
12- تمرین 4.02: آموزش یک مدل درخت تصمیم برای دیتاست های سرشماری درآمد
13- تمرین 4.03: آموزش یک مدل SVM برای دیتاست های درآمد سرشماری
14- تمرین 5.01: آموزش یک پرسپترون چندلایه برای دیتاست های سرشماری درآمد
15- تمرین 5.02: مقایسه مدل های مختلف برای انتخاب بهترین مدل برای حل مشکل داده های سرشماری درآمد
16- تمرین 6.01: انجام مراحل آماده سازی و ایجاد دیتاست های بازاریابی بانکی
17- تمرین 6.02: ذخیره و بارگذاری مدل نهایی برای دیتاست های بازاریابی بانکی
18- فعالیت 6.03: امکان تعامل مدل با دیتاست بازاریابی بانکی
19- تمرین 7.01: ایجاد تمام مراحل ممکن در یک بازی تیک تاک
20- تمرین 7.02: آموزش به عامل برای درک موقعیت ها در هنگام دفاع در برابر ضرر
21- تمرین 7.03: اصلاح اولین و دومین حرکت هوش مصنوعی برای شکست ناپذیر کردن آن
22- تمرین 7.04: اتصال چهارتایی
23- تمرین 8.01: پیش‌بینی قیمت خانه بوستون با رگرسیون چند جمله‌ای با درجات 1، 2 و 3 روی متغیرهای چندگانه
24- تمرین 9.01: افزایش دقت امتیاز اعتبار
25- تمرین 9.02: پشتیبانی از بهینه سازی ماشین بردار در کتابخوانه scikit-learn
26- تمرین 10.01: طبقه بندی داده های خودرو
27- فعالیت 10.02: طبقه بندی تصادفی Forest برای شرکت اجاره خودرو
28- تمرین 11.01: خوشه بندی داده های فروش با استفاده از K-Means
29- تمرین 11.02: خوشه‌بندی داده‌های Red Wine با استفاده از الگوریتم تغییر میانگین و خوشه‌بندی سلسله مرات
30- تمرین 12.01: یافتن بهترین امتیاز دقت برای دیتاست ارقام
31- تمرین 12.02: ارزیابی مدل تشخیص تصویر مد با استفاده از CNN
32- تمرین 12.03: ارزیابی مدل سهام یاهو با RNN