اطلاعات آموزش
در اینجا میتوانید قسمت های مختلف آموزش را انتخاب کنید.
ورود به سیستم
برای دریافت کامل این آموزش ابتدا باید وارد شوید.
نمایه آموزش
Machine Learning A-Z: AI, Python & R + ChatGPT Prize
دوره Machine Learning A-Z AI Python & R+ ChatGPT Bonus 2023 . به حوزه یادگیری ماشینی علاقه دارید؟ پس این دوره برای شما مناسب است! این دوره توسط یک دانشمند داده و یک متخصص یادگیری ماشین طراحی شده است تا بتوانیم دانش خود را به اشتراک بگذاریم و به شما کمک کنیم تا نظریه های پیچیده، الگوریتم ها و کتابخانه های کدگذاری را به روشی ساده بیاموزید. بیش از 900000 دانش آموز در سراسر جهان به این دوره اعتماد دارند. ما شما را قدم به قدم وارد دنیای یادگیری ماشینی خواهیم کرد. با هر آموزش، مهارتهای جدیدی را توسعه میدهید و درک خود را از این زیر شاخه چالشبرانگیز و در عین حال پرسود علم داده بهبود میبخشید. این دوره را می توان با انجام آموزش های پایتون، یا آموزش های R، یا هر دو – Python & R تکمیل کرد. زبان برنامه نویسی مورد نیاز خود را برای حرفه خود انتخاب کنید. این دوره سرگرم کننده و هیجان انگیز است و در عین حال ما عمیقاً در یادگیری ماشین فرو می رویم. ساختار آن به صورت زیر است: بخش 1 – پیش پردازش داده ها بخش 2 – رگرسیون: رگرسیون خطی ساده، رگرسیون خطی چندگانه، رگرسیون چند جملهای، SVR، رگرسیون درخت تصمیم، رگرسیون جنگل تصادفی بخش 3 – طبقه بندی: رگرسیون لجستیک، K-NN، SVM، SVM هسته، بیز ساده، طبقه بندی درخت تصمیم، طبقه بندی جنگل تصادفی قسمت 4 – خوشه بندی: K-Means، خوشه بندی سلسله مراتبی قسمت 5 – آموزش قوانین انجمن: Apriori، Eclat بخش 6 – یادگیری تقویتی: حد بالای اطمینان، نمونه گیری تامپسون بخش 7 – پردازش زبان طبیعی: مدل و الگوریتمهای مجموعه کلمات برای NLP قسمت 8 – یادگیری عمیق: شبکه های عصبی مصنوعی، شبکه های عصبی کانولوشن قسمت 9 – کاهش ابعاد: PCA، LDA، هسته PCA قسمت 10 – انتخاب و تقویت مدل: اعتبارسنجی متقاطع k-fold، تنظیم پارامتر، جستجوی شبکه، XGBoost هر بخش در داخل هر قسمت مستقل است. بنابراین می توانید کل دوره را از ابتدا تا انتها بگذرانید یا می توانید مستقیماً به هر بخش خاصی بروید و آنچه را که برای حرفه خود در حال حاضر نیاز دارید بیاموزید . علاوه بر این، این دوره مملو از تمرینهای عملی است که مبتنی بر مطالعات موردی واقعی است . بنابراین نه تنها تئوری را یاد خواهید گرفت، بلکه تمرینات عملی زیادی برای ساخت مدل های خود خواهید داشت. و به عنوان یک امتیاز، این دوره شامل هر دو قالب کد پایتون و R است که می توانید آنها را دانلود کرده و در پروژه های خود استفاده کنید. آنچه که در دوره Machine Learning A-Z AI Python & R+ ChatGPT Bonus 2023 فرا خواهید گرفت استاد یادگیری ماشین در پایتون و آر از بسیاری از مدل های یادگیری ماشینی شهود بسیار خوبی داشته باشید پیش بینی های دقیق انجام دهید تجزیه و تحلیل قوی انجام دهید مدل های یادگیری ماشینی قوی بسازید ارزش افزوده قوی برای کسب و کار خود ایجاد کنید از یادگیری ماشین برای اهداف شخصی استفاده کنید موضوعات خاصی مانند یادگیری تقویتی، NLP و یادگیری عمیق را مدیریت کنید از تکنیک های پیشرفته ای مانند کاهش ابعاد استفاده کنید بدانید کدام مدل یادگیری ماشینی را برای هر نوع مشکل انتخاب کنید ارتشی از مدل های یادگیری ماشین قدرتمند بسازید و بدانید که چگونه آنها را برای حل هر مشکلی ترکیب کنید این دوره مناسب افرادیست که هر کسی که به یادگیری ماشین علاقه دارد. دانش آموزانی که حداقل دانش دبیرستانی در ریاضیات دارند و می خواهند یادگیری ماشینی را شروع کنند. افراد سطح متوسطی که اصول یادگیری ماشین را میدانند، از جمله الگوریتمهای کلاسیک مانند رگرسیون خطی یا رگرسیون لجستیک، اما میخواهند درباره آن بیشتر بیاموزند و تمام زمینههای مختلف یادگیری ماشین را کشف کنند. همه افرادی که با کدنویسی چندان راحت نیستند اما به یادگیری ماشین علاقه مند هستند و می خواهند آن را به راحتی در مجموعه داده ها اعمال کنند. هر دانشجویی در کالج که میخواهد شغلی در علم داده شروع کند. هر تحلیلگر داده ای که می خواهد در یادگیری ماشینی سطح بالایی داشته باشد. همه افرادی که از شغل خود راضی نیستند و می خواهند دانشمند داده شوند. هر فردی که می خواهد با استفاده از ابزارهای قدرتمند یادگیری ماشین ارزش افزوده ای برای کسب و کار خود ایجاد کند.
آموزش دهنده
شرکت
Udemy
مدت زمان
42 ساعت و 35 دقیقه
- Read me txt
- Welcome to the course! Here we will help you get started in the best conditions
- Part 1 Data Preprocessing --------------------
-
Data Preprocessing in Python
- Getting Started - Step 1
- Getting Started - Step 2
- Importing the Libraries
- Importing the Dataset - Step 1
- Importing the Dataset - Step 2
- Importing the Dataset - Step 3
- Taking care of Missing Data - Step 1
- Taking care of Missing Data - Step 2
- Encoding Categorical Data - Step 1
- Encoding Categorical Data - Step 2
- Encoding Categorical Data - Step 3
- Splitting the dataset into the Training set and Test set - Step 1
- Splitting the dataset into the Training set and Test set - Step 2
- Splitting the dataset into the Training set and Test set - Step 3
- Feature Scaling - Step 1
- Feature Scaling - Step 2
- Feature Scaling - Step 3
- Feature Scaling - Step 4
- html For Python learners, summary of Object-oriented programming classes & objects
-
Data Preprocessing in R
- Getting Started
- Dataset Description
- Importing the Dataset
- Taking care of Missing Data
- Encoding Categorical Data
- Splitting the dataset into the Training set and Test set - Step 1
- Splitting the dataset into the Training set and Test set - Step 2
- Feature Scaling - Step 1
- Feature Scaling - Step 2
- Data Preprocessing Template
- Part 2 Regression --------------------
-
Simple Linear Regression
- Simple Linear Regression Intuition
- Ordinary Least Squares
- Simple Linear Regression in Python - Step 1a
- Simple Linear Regression in Python - Step 1b
- Simple Linear Regression in Python - Step 2a
- Simple Linear Regression in Python - Step 2b
- Simple Linear Regression in Python - Step 3
- Simple Linear Regression in Python - Step 4a
- Simple Linear Regression in Python - Step 4b
- Simple Linear Regression in R - Step 1
- Simple Linear Regression in R - Step 2
- Simple Linear Regression in R - Step 3
- Simple Linear Regression in R - Step 4a
- Simple Linear Regression in R - Step 4b
- html Simple Linear Regression in Python - Additional Lecture
-
Multiple Linear Regression
- Dataset + Business Problem Description
- Multiple Linear Regression Intuition
- Assumptions of Linear Regression
- Multiple Linear Regression Intuition - Step 3
- Multiple Linear Regression Intuition - Step 4
- Understanding the P-Value
- Multiple Linear Regression Intuition - Step 5
- Multiple Linear Regression in Python - Step 1a
- Multiple Linear Regression in Python - Step 1b
- Multiple Linear Regression in Python - Step 2a
- Multiple Linear Regression in Python - Step 2b
- Multiple Linear Regression in Python - Step 3a
- Multiple Linear Regression in Python - Step 3b
- Multiple Linear Regression in Python - Step 4a
- Multiple Linear Regression in Python - Step 4b
- Multiple Linear Regression in R - Step 1a
- Multiple Linear Regression in R - Step 1b
- Multiple Linear Regression in R - Step 2a
- Multiple Linear Regression in R - Step 2b
- Multiple Linear Regression in R - Step 3
- Multiple Linear Regression in R - Backward Elimination - HOMEWORK !
- Multiple Linear Regression in R - Backward Elimination - Homework Solution
- html Multiple Linear Regression in Python - Backward Elimination
- html Multiple Linear Regression in Python - EXTRA CONTENT
- html Multiple Linear Regression in R - Automatic Backward Elimination
- txt external-links
-
Polynomial Regression
- Polynomial Regression Intuition
- Polynomial Regression in Python - Step 1a
- Polynomial Regression in Python - Step 1b
- Polynomial Regression in Python - Step 2a
- Polynomial Regression in Python - Step 2b
- Polynomial Regression in Python - Step 3a
- Polynomial Regression in Python - Step 3b
- Polynomial Regression in Python - Step 4a
- Polynomial Regression in Python - Step 4b
- Polynomial Regression in R - Step 1a
- Polynomial Regression in R - Step 1b
- Polynomial Regression in R - Step 2a
- Polynomial Regression in R - Step 2b
- Polynomial Regression in R - Step 3a
- Polynomial Regression in R - Step 3b
- Polynomial Regression in R - Step 3c
- Polynomial Regression in R - Step 4a
- Polynomial Regression in R - Step 4b
- R Regression Template - Step 1
- R Regression Template - Step 2
-
Support Vector Regression (SVR)
- SVR Intuition (Updated!)
- Heads-up on non-linear SVR
- SVR in Python - Step 1a
- SVR in Python - Step 1b
- SVR in Python - Step 2a
- SVR in Python - Step 2b
- SVR in Python - Step 2c
- SVR in Python - Step 3
- SVR in Python - Step 4
- SVR in Python - Step 5a
- SVR in Python - Step 5b
- SVR in R - Step 1
- SVR in R - Step 2
-
Decision Tree Regression
- Decision Tree Regression Intuition
- Decision Tree Regression in Python - Step 1a
- Decision Tree Regression in Python - Step 1b
- Decision Tree Regression in Python - Step 2
- Decision Tree Regression in Python - Step 3
- Decision Tree Regression in Python - Step 4
- Decision Tree Regression in R - Step 1
- Decision Tree Regression in R - Step 2
- Decision Tree Regression in R - Step 3
- Decision Tree Regression in R - Step 4
- Random Forest Regression
- Evaluating Regression Models Performance
-
Regression Model Selection in Python
- Preparation of the Regression Code Templates - Step 1
- Preparation of the Regression Code Templates - Step 2
- Preparation of the Regression Code Templates - Step 3
- Preparation of the Regression Code Templates - Step 4
- THE ULTIMATE DEMO OF THE POWERFUL REGRESSION CODE TEMPLATES IN ACTION! - STEP 1
- THE ULTIMATE DEMO OF THE POWERFUL REGRESSION CODE TEMPLATES IN ACTION! - STEP 2
- zip Machine-Learning-A-Z-Model-Selection
- html Make sure you have this Model Selection folder ready
- html Conclusion of Part 2 - Regression
- zip Regression-Bonus
- Regression Model Selection in R
- Part 3 Classification --------------------
-
Logistic Regression
- What is Classification
- Logistic Regression Intuition
- Maximum Likelihood
- Logistic Regression in Python - Step 1a
- Logistic Regression in Python - Step 1b
- Logistic Regression in Python - Step 2a
- Logistic Regression in Python - Step 2b
- Logistic Regression in Python - Step 3a
- Logistic Regression in Python - Step 3b
- Logistic Regression in Python - Step 4a
- Logistic Regression in Python - Step 4b
- Logistic Regression in Python - Step 5
- Logistic Regression in Python - Step 6a
- Logistic Regression in Python - Step 6b
- Logistic Regression in Python - Step 7a
- Logistic Regression in Python - Step 7b
- Logistic Regression in Python - Step 7c
- Logistic Regression in R - Step 1
- Logistic Regression in R - Step 2
- Logistic Regression in R - Step 3
- Logistic Regression in R - Step 4
- Logistic Regression in R - Step 5a
- Logistic Regression in R - Step 5b
- Logistic Regression in R - Step 5c
- R Classification Template
- html Logistic Regression in Python - Step 7 (Colour-blind friendly image)
- html Warning - Update
- html Logistic Regression in R - Step 5 (Colour-blind friendly image)
- html Machine Learning Regression and Classification BONUS
- html EXTRA CONTENT Logistic Regression Practical Case Study
- K-Nearest Neighbors (K-NN)
- Support Vector Machine (SVM)
- Kernel SVM
- Naive Bayes
- Decision Tree Classification
- Random Forest Classification
-
Classification Model Selection in Python
- Confusion Matrix & Accuracy Ratios
- ULTIMATE DEMO OF THE POWERFUL CLASSIFICATION CODE TEMPLATES IN ACTION - STEP 1
- ULTIMATE DEMO OF THE POWERFUL CLASSIFICATION CODE TEMPLATES IN ACTION - STEP 2
- ULTIMATE DEMO OF THE POWERFUL CLASSIFICATION CODE TEMPLATES IN ACTION - STEP 3
- ULTIMATE DEMO OF THE POWERFUL CLASSIFICATION CODE TEMPLATES IN ACTION - STEP 4
- zip Machine-Learning-A-Z-Model-Selection
- html Make sure you have this Model Selection folder ready
- Evaluating Classification Models Performance
- Part 4 Clustering --------------------
-
K-Means Clustering
- What is Clustering (Supervised vs Unsupervised Learning)
- K-Means Clustering Intuition
- The Elbow Method
- K-Means++
- K-Means Clustering in Python - Step 1a
- K-Means Clustering in Python - Step 1b
- K-Means Clustering in Python - Step 2a
- K-Means Clustering in Python - Step 2b
- K-Means Clustering in Python - Step 3a
- K-Means Clustering in Python - Step 3b
- K-Means Clustering in Python - Step 3c
- K-Means Clustering in Python - Step 4
- K-Means Clustering in Python - Step 5a
- K-Means Clustering in Python - Step 5b
- K-Means Clustering in Python - Step 5c
- K-Means Clustering in R - Step 1
- K-Means Clustering in R - Step 2
-
Hierarchical Clustering
- Hierarchical Clustering Intuition
- Hierarchical Clustering How Dendrograms Work
- Hierarchical Clustering Using Dendrograms
- Hierarchical Clustering in Python - Step 1
- Hierarchical Clustering in Python - Step 2a
- Hierarchical Clustering in Python - Step 2b
- Hierarchical Clustering in Python - Step 2c
- Hierarchical Clustering in Python - Step 3a
- Hierarchical Clustering in Python - Step 3b
- Hierarchical Clustering in R - Step 1
- Hierarchical Clustering in R - Step 2
- Hierarchical Clustering in R - Step 3
- Hierarchical Clustering in R - Step 4
- Hierarchical Clustering in R - Step 5
- pdf Clustering-Pros-Cons
- html Conclusion of Part 4 - Clustering
- Part 5 Association Rule Learning --------------------
- Apriori
- Eclat
- Part 6 Reinforcement Learning --------------------
-
Upper Confidence Bound (UCB)
- The Multi-Armed Bandit Problem
- Upper Confidence Bound (UCB) Intuition
- Upper Confidence Bound in Python - Step 1
- Upper Confidence Bound in Python - Step 2
- Upper Confidence Bound in Python - Step 3
- Upper Confidence Bound in Python - Step 4
- Upper Confidence Bound in Python - Step 5
- Upper Confidence Bound in Python - Step 6
- Upper Confidence Bound in Python - Step 7
- Upper Confidence Bound in R - Step 1
- Upper Confidence Bound in R - Step 2
- Upper Confidence Bound in R - Step 3
- Upper Confidence Bound in R - Step 4
-
Thompson Sampling
- Thompson Sampling Intuition
- Algorithm Comparison UCB vs Thompson Sampling
- Thompson Sampling in Python - Step 1
- Thompson Sampling in Python - Step 2
- Thompson Sampling in Python - Step 3
- Thompson Sampling in Python - Step 4
- Thompson Sampling in R - Step 1
- Thompson Sampling in R - Step 2
- html Additional Resource for this Section
-
Part 7 Natural Language Processing --------------------
- NLP Intuition
- Types of Natural Language Processing
- Classical vs Deep Learning Models
- Bag-Of-Words Model
- Natural Language Processing in Python - Step 1
- Natural Language Processing in Python - Step 2
- Natural Language Processing in Python - Step 3
- Natural Language Processing in Python - Step 4
- Natural Language Processing in Python - Step 5
- Natural Language Processing in Python - Step 6
- Natural Language Processing in R - Step 1
- Natural Language Processing in R - Step 2
- Natural Language Processing in R - Step 3
- Natural Language Processing in R - Step 4
- Natural Language Processing in R - Step 5
- Natural Language Processing in R - Step 6
- Natural Language Processing in R - Step 7
- Natural Language Processing in R - Step 8
- Natural Language Processing in R - Step 9
- Natural Language Processing in R - Step 10
- html Welcome to Part 7 - Natural Language Processing
- html Natural Language Processing in Python - BONUS
- html Homework Challenge
- html Warning - Update
- html Homework Challenge
- Part 8 Deep Learning --------------------
-
Artificial Neural Networks
- Plan of attack
- The Neuron
- The Activation Function
- How do Neural Networks work
- How do Neural Networks learn
- Gradient Descent
- Stochastic Gradient Descent
- Backpropagation
- Business Problem Description
- ANN in Python - Step 1
- ANN in Python - Step 2
- ANN in Python - Step 3
- ANN in Python - Step 4
- ANN in Python - Step 5
- ANN in R - Step 1
- ANN in R - Step 2
- ANN in R - Step 3
- ANN in R - Step 4 (Last step)
- html Deep Learning Additional Content
- html EXTRA CONTENT ANN Case Study
-
Convolutional Neural Networks
- Plan of attack
- What are convolutional neural networks
- Step 1 - Convolution Operation
- Step 1(b) - ReLU Layer
- Step 2 - Pooling
- Step 3 - Flattening
- Step 4 - Full Connection
- Summary
- Softmax & Cross-Entropy
- CNN in Python - Step 1
- CNN in Python - Step 2
- CNN in Python - Step 3
- CNN in Python - Step 4
- CNN in Python - Step 5
- CNN in Python - FINAL DEMO!
- zip dataset
- html Deep Learning Additional Content #2
- Part 9 Dimensionality Reduction --------------------
- Principal Component Analysis (PCA)
- Linear Discriminant Analysis (LDA)
- Kernel PCA
- Part 10 Model Selection & Boosting --------------------
- Model Selection
- XGBoost
- Exclusive Offer
- Annex Logistic Regression (Long Explanation)