در حال حاضر محصولی در سبد خرید شما وجود ندارد.

پنل کاربری

رمز خود را فراموش کرده اید؟ اگر اولین بار است از سایت جدید استفاده میکنید باید پسورد خود را ریست نمایید.
دسته بندی
دسته بندی

در حال حاضر محصولی در سبد خرید شما وجود ندارد.

آموزش دسته و خوشه بندی برای Machine Learning در زبان Python

10,900 تومان
بیش از یک محصول به صورت دانلودی میخواهید؟ محصول را به سبد خرید اضافه کنید.
افزودن به سبد خرید
خرید دانلودی فوری

در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.

ویدئو معرفی این محصول

با مشاهده این دوره آموزشی قدم به قدم یاد می گیرید که چطور دسته و خوشه بندی را برای یادگیری ماشینی در زبان برنامه نویسی پایتون انجام دهید.

عنوان اصلی : Clustering and Classification with Machine Learning in Python

سرفصل ها :


مقدمه دوره: مفاهیم کلیدی و ابزار نرم افزار:
به خوشه بندی و طبقه بندی با یادگیری ماشین در پایتون خوش آمدید
یادگیری ماشینی چیست؟
محیط علم داده پایتون
برای کاربران مک
IPython در مرورگر
بسته های علوم داده پایتون مورد استفاده قرار می گیرد
اطلاعات منابع مختلف با پانداها را بخوانید:
پانداها چیست؟
در داده ها از CSV بخوانید
در CSV آنلاین بخوانید
در اکسل دیتا بخوانید
در داده های HTML بخوانید
در داده ها از پایگاه های داده بخوانید
پاکسازی و مانگینگ داده ها:
مقادیر از دست رفته را حذف کنید
انتخاب داده های مشروط
گروه بندی داده ها
تنظیمات زیر داده
رتبه بندی و مرتب سازی
الحاق
ادغام و پیوستن به فریم های داده
یادگیری بدون نظارت در پایتون:
طبقه بندی بدون نظارت - برخی از مفاهیم اساسی
K-Means Clustering: Theory
K-Means را روی داده های Iris پیاده سازی کنید
کمی سازی K-Means عملکرد خوشه بندی
K-Means خوشه بندی با داده های واقعی
چگونه تعداد بهینه خوشه ها را انتخاب کنیم؟
مدل سازی مخلوط گاوسی (GMM)
تئوری خوشه بندی سلسله مراتبی
خوشه بندی سلسله مراتبی-عملی
کاهش ابعاد و انتخاب ویژگی برای یادگیری ماشین:
تجزیه و تحلیل مؤلفه اصلی (PCA) - نظریه
تجزیه و تحلیل مؤلفه اصلی (PCA) - مطالعه موردی 1
تجزیه و تحلیل مؤلفه اصلی (PCA) - مطالعه موردی 2
تجزیه و تحلیل تشخیص خطی (LDA) برای کاهش ابعاد
کاهش ابعاد t-SNE
انتخاب ویژگی برای انتخاب مرتبط ترین پیش بینی کننده ها
حذف ویژگی بازگشتی (RFE)
یادگیری تحت نظارت: طبقه بندی:
مفاهیم پشت یادگیری تحت نظارت
آماده سازی داده ها برای یادگیری تحت نظارت
نکاتی در مورد ارزیابی دقت مدل سازی طبقه بندی
استفاده از رگرسیون لجستیک به عنوان مدل طبقه بندی
kNN- طبقه بندی
طبقه بندی ساده بیز
تحلیل تشخیصی خطی
SVM- طبقه بندی خطی
طبقه بندی SVM غیر خطی
طبقه بندی RF
دستگاه تقویت گرادیان (GBM)
طبقه بندی رأی
شبکه‌های عصبی و تکنیک‌های طبقه‌بندی مبتنی بر یادگیری عمیق:
پرسپترون ها برای طبقه بندی باینری
شبکه های عصبی مصنوعی (ANN) برای طبقه بندی باینری
طبقه بندی چند کلاسه با MLP
مقدمه ای بر H20
از H20 برای طبقه بندی یادگیری عمیق استفاده کنید
یادگیری عمیق H20 برای طبقه بندی

نمایش سرفصل های انگلیسی

Clustering and Classification with Machine Learning in Python