دوره آموزشی مبانی یادگیری ماشین با پایتون
1 ساعت 44 دقیقهمتوسط2021-10-06
مدرسین

Frederick Nwanganga
Information Technology Professional and Teacher
جزئیات دوره
احتمالاً قبلاً در مورد یادگیری ماشین شنیده اید، اما آیا تا به حال فکر کرده اید که این اصطلاح در واقع به چه معناست؟ چگونه یک ماشین یاد می گیرد؟ آیا به ساختن مدل یادگیری ماشین فکر کرده اید، اما نمی دانید از کجا شروع کنید؟ در این دوره، فردریک نوانگانگا یادگیری ماشین را به روشی قابل دسترسی معرفی می کند و راهنمایی های گام به گام در مورد چگونگی شروع کار با یادگیری ماشین از طریق پرکاربردترین زبان مورد استفاده امروز، پایتون، ارائه می دهد. فردریک دقیقاً با معنای یادگیری ماشین ها و شیوه های مختلف یادگیری شروع می کند، سپس به نحوه جمع آوری، درک و آماده سازی داده ها برای یادگیری ماشین می پردازد. او همچنین نمونه های هدایت شده ای از نحوه انجام هر مرحله با استفاده از پایتون را ارائه می دهد. در نهایت، او همه چیز را برای ایجاد، ارزیابی و تفسیر نتایج مدل یادگیری ماشین در پایتون گرد هم می آورد.
مهارت ها
Introduction toMachine LearningPythonArtificial Intelligence (AI)Programming LanguagesOpen SourceSoftware Development
سرفصل ها
0. مقدمه
- 01 - یادگیری ماشینی در دنیای ما
- 02 - آنچه باید بدانید
- 03 - ابزار مورد نیاز شما
- 04 - استفاده از فایلهای تمرین
1. یادگیری ماشینی
- 05 - یادگیری ماشینی چیست
- 06 - چه چیزی یادگیری ماشینی نیست
- 07 - یادگیری بدون نظارت چیست
- 08 - یادگیری تحت نظارت چیست
- 09 - یادگیری تقویتی چیست
- 10- مراحل یادگیری ماشین چیست
2. جمعآوری دادهها برای یادگیری ماشین
- 11 - مواردی که در جمعآوری دادهها باید در نظر گرفته شود
- 12 - نحوه وارد کردن داده در پایتون
3. درک دادهها برای یادگیری ماشین
- 13 - دادههای خود را شرح دهید
- 14 - نحوه خلاصه کردن دادهها در پایتون
- 15 - دادههای خود را تجسم کنید
- 16 - نحوه تجسم دادهها در پایتون
4. آماده سازی دادهها برای یادگیری ماشینی
- 17 - مسائل رایج کیفیت داده ها
- 18 - چگونه دادههای از دست رفته در پایتون را حل کنیم
- 19 - عادی سازی دادههای خود
- 20 - نحوه عادی سازی دادهها در پایتون
- 21 - نمونه برداری از دادههای شما
- 22 - نحوه نمونه برداری از دادهها در پایتون
- 23 - کاهش ابعاد دادههای شما
5. انواع مدلهای یادگیری ماشینی
- 24 - طبقه بندی در مقابل مشکلات رگرسیون
- 25 - نحوه ساخت مدل یادگیری ماشین در پایتون
نتیجه
- 26 - مراحل بعدی یادگیری ماشین کاربردی
دوره های مرتبط
- دوره آموزشی یادگیری عمیق با پایتون: معرفی عملی مدلهای یادگیری عمیق
- دوره آموزشی یادگیری ماشین کاربردی: برآورد ارزش
- دوره آموزشی ساخت سیستمهای توصیهگر با یادگیری ماشین و هوش مصنوعی
- دوره آموزشی ارتقاء مهارت با پایتون: پروژههای عملی علم داده و یادگیری ماشین
- دوره آموزشی اپلیکیشنهای مبتنی بر LLM با Streamlit
- دوره آموزشی پیشبینی سریهای زمانی با استفاده از هوش مصنوعی و پایتون
- دوره آموزشی یادگیری جامع اسکالا برای علوم داده
- دوره آموزشی یادگیری جامع NumPy: بخش اول مبانیهای NumPy
مسیرهای مرتبط
- مسیر آموزشی تبدیل شدن به یک مهندس هوش مصنوعی
- مسیر آموزشی توسعه مهارتهای پایتون برای هوش مصنوعی و یادگیری ماشین
- مسیر آموزشی مهارتهای برنامهنویسی خود را با هوش مصنوعی ارتقا دهید
- مسیر یادگیری گواهینامه حرفهای یادگیری ماشین با پایتون
- مسیر آموزشی تبدیل شدن به یک مهندس یادگیری ماشین
- مسیر آموزشی مهارت های خود را به عنوان یک متخصص یادگیری ماشین ارتقا دهید
- مسیر آموزشی از تحلیلگر داده به یک دانشمند داده تبدیل شوید
- مسیر آموزشی ارتقا مهارت های خود در پردازش زبان طبیعی