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 دیتا ساینس و یادگیری ماشینی

14,900 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 کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با یادگیری ماشینی و دیتا ساینس یاد می گیرید.

عنوان اصلی : Data Science 2021 : Complete Data Science & Machine Learning

سرفصل ها :


معرفی :
معرفی دوره
چگونه هدیه رایگان خود را مطالبه کنیم
دانلود مطالب درسی
نظرات Udemy - پیام مهم
-- قسمت 1: برنامه نویسی ضروری پایتون -- :
Anaconda، Spyder را نصب کنید
میانبر صفحه کلید - برای مبتدیان باید مشاهده شود
Hands On - سلام پایتون و محیط را بشناسید
Hands On - انواع و اپراتورهای متغیر
دست در دست - تصمیم گیری - اگر-دیگر
حلقه های پایتون توضیح داد
Hands On - در حالی که حلقه ها
Hands On - برای حلقه ها
لیست های پایتون توضیح داده شد
Hands On - لیست عملیات اساسی
Hands On - لیست عملیات قسمت 2
لیست های چند بعدی توضیح داده شد
Hands On - برش لیست های چند بعدی
Hands On - Python Tuples
دیکشنری پایتون توضیح داده شد
Hands On - به داده های دیکشنری دسترسی پیدا کنید
Hands On - دیکشنری روش ها و توابع
پردازش فایل - باز کردن و خواندن فایل ها
پردازش فایل - پردازش داده ها و نوشتن در فایل ها
پردازش فایل - پردازش داده ها با استفاده از حلقه ها
پروژه 1 - محاسبه میانگین دمای هر شهر
راه حل - پروژه 1 میانگین دمای هر شهر را محاسبه می کند
برنامه نویسی ضروری پایتون
-- قسمت 2: ریاضیات اساسی -- :
در این قسمت چه خواهید آموخت؟
معادلات جبری
نماها و گزارش ها
معادلات چند جمله ای
فاکتورینگ
معادلات درجه دوم
کارکرد
مبانی جبر
بنیاد حساب دیفرانسیل و انتگرال
نرخ تغییر و محدودیت
تمایز و مشتقات
قوانین مشتق و عملیات
مشتقات دوگانه و یافتن ماکسیما
مثال مشتقات دوگانه
مشتقات جزئی و نزول گرادیان
ادغام و مساحت زیر منحنی
حساب دیفرانسیل و انتگرال
مبانی بردار - بردار و عملیات بردار چیست
وکتور حساب
بنیاد ماتریکس
حساب ماتریسی
ماتریس هویت، معکوس، تعیین کننده و جابجایی
تبدیل ماتریسی
تغییر مبنا و محور با استفاده از تبدیل ماتریس
مقادیر ویژه و بردارهای ویژه
جبر خطی
درک احتمال به زبان ساده
شرایط احتمال
احتمال شرطی
فرآیندهای تصادفی و متغیرهای تصادفی
بنیاد احتمال
علم داده و یادگیری ماشین چیست؟ :
نیاز به علم داده و یادگیری ماشین
انواع تجزیه و تحلیل
رمزگشایی علم داده و یادگیری ماشین
چرخه حیات پروژه علم داده قسمت 1
چرخه حیات پروژه علم داده قسمت 2
چرخه حیات پروژه علم داده قسمت 3
چرخه حیات پروژه علم داده قسمت 4
دانشمند داده چه می کند و مهارت های مورد نیاز چیست؟
مبانی علم داده
-- قسمت 3: آمار اساسی -- :
در این قسمت چه خواهید آموخت؟
آمار توصیفی :
دیتا چیست؟ شناخت داده ها و عناصر آن
اندازه گیری گرایش مرکزی با استفاده از میانگین، میانه، حالت
اندازه گیری پراکندگی با استفاده از انحراف استاندارد و واریانس
دست در دست - دریافت خلاصه آماری
اندازه گیری پراکندگی با استفاده از درصد، محدوده و IQR
تجسم داده ها :
اهمیت تجسم داده ها
تجسم داده ها - جدول فرکانس، هیستوگرام و نمودار میله ای
درک Boxplot برای داده های عددی
پلات چیست؟
دست روی - ایجاد طرح های خط
Hands On - منوی شکل نمودار را درک کنید
Hands On - اولین نمودار نواری خود را ایجاد کنید
Hands On - ایجاد هیستوگرام داده ها
Hands On - Plotting Boxplot
تجسم داده ها برای داده های طبقه بندی شده
Hands On - Pie Charts قسمت 1
Hands On - Pie Charts قسمت 2
Hands On - Scatter Plots
Hands On - تصاویر MatplotLib برای ایجاد نمودارهای متعدد
Hands On - طرح‌های فرعی برای ترسیم نمودارهای متعدد در یک شکل
Hands On - سفارشی سازی عناصر طرح قسمت 1
Hands On - سفارشی سازی عناصر طرح قسمت 2
Hands On - سفارشی سازی عناصر طرح قسمت 3
Hands On - سفارشی سازی عناصر طرح قسمت 4
اکنون پاداش خود را مطالبه کنید.
آمار استنباطی، توزیع ها و فرضیه ها:
جمعیت در مقابل نمونه ها را درک کنید
Sample Bias چیست؟
همبستگی و علیت چیست؟
کوواریانس و ماتریس کوواریانس چیست؟
تابع چگالی احتمال و توزیع
توزیع های عادی
توزیع های عادی استاندارد
توزیع های نمونه گیری
تئوری حد مرکزی
فاصله اطمینان - قسمت 1
فاصله اطمینان - قسمت 2
فرضیه و فرضیه صفر در مقابل فرضیه جایگزین چیست؟
اهمیت آماری چیست
نمونه های تست فرضیه
-- قسمت 4: پیش پردازش داده -- :
Hands On - وارد کردن کتابخانه برای خواندن و برش داده ها
Hands On - اطلاعاتی را که با آنها سروکار دارید را درک کنید
دست در دست - مدیریت ارزش های گمشده
Label-Encoding برای داده های طبقه بندی شده
رمزگذاری دست روی برچسب
رمزگذاری داغ برای داده های طبقه بندی شده توضیح داده شده است
Hands On - Hot-Encoding برای داده های طبقه بندی شده
عادی سازی داده ها - دلایل را درک کنید.
Hands On - عادی سازی داده ها با استفاده از مقیاس کننده استاندارد
Hands On - عادی سازی داده ها با استفاده از minmax
Train and Test Data Split توضیح داده شد
Hands On - آموزش و آزمایش تقسیم داده ها
-- قسمت 5: رگرسیون --------
در این بخش چه چیزی یاد خواهید گرفت؟
رگرسیون خطی ساده:
رگرسیون خطی ساده چیست؟
حداقل مربعات معمولی و خطاهای رگرسیون
پروژه 2 - پردازش داده ها
پروژه 2 - مدل آموزش و آزمایش
مدل را تست کنید و مقادیر Y را پیش بینی کنید
پروژه 2 - R-Squared و اهمیت آن
پروژه 2 - امتیاز و ضرایب دریافت کنید
پروژه 2 - محاسبه RMSE (ریشه میانگین مربعات خطا)
پروژه 2 - پیش بینی ها را ترسیم کنید
رگرسیون خطی چندگانه:
درک رگرسیون خطی چندگانه
پروژه 3 - پیش بینی رگرسیون خطی چندگانه
مسائل مربوط به رگرسیون خطی چندگانه
درجه آزادی
R-Squared تنظیم شده است
مفروضات رگرسیون خطی چندگانه
فرض خطی و چند خطی
فرض خودهمبستگی
دست در - طرح خود همبستگی
دست در دست - ایجاد داده های تغییر یافته یا TimeLag
فرض درون زایی
نرمال بودن باقیمانده ها
فرض هوموسکاداستیسیته
دام متغیر ساختگی
پروژه 4 - پیش بینی تقاضای دوچرخه Kaggle:
بیایید مشکل را درک کنیم
مراحل لازم برای حل مشکل
داده ها را بخوانید و آماده کنید
تجزیه و تحلیل پایه داده ها
تجسم داده ها از متغیرهای پیوسته
تجسم داده ها از متغیرهای طبقه بندی شده
خلاصه کردن یافته های تجسم داده ها
Outliers را بررسی کنید
فرضیه چند خطی بودن را آزمایش کنید
تست همبستگی خودکار در تقاضا
حل مشکل نرمال بودن
حل مشکل خودهمبستگی
ایجاد متغیرهای ساختگی
تقسیم آزمون قطار برای داده های سری زمانی
مدل را ایجاد کرده و RMSE را اندازه گیری کنید
RMSLE را برای Kaggle محاسبه و اندازه گیری کنید
-- قسمت 6: طبقه بندی ---------
در این بخش چه چیزی یاد خواهید گرفت؟
رگرسیون لجستیک:
رگرسیون لجستیک چیست؟
پروژه 5 - پیش بینی مشکل تایید وام
پروژه 5 - پیش بینی تصویب وام قسمت 1
پروژه 5 - پیش بینی تصویب وام قسمت 2
پروژه 5 - پیش بینی تصویب وام قسمت 3
پروژه 5 - پیش بینی تایید وام - ساخت رگرسیور لجستیک
پروژه 5 - پیش بینی تایید وام - Confusion Martix
ایجاد و تجزیه و تحلیل ماتریس سردرگمی
ماشین‌های بردار پشتیبانی (SVM):
شهود حسی مشترک SVM
شهود ریاضی SVM قسمت 1
شهود ریاضی SVM قسمت 2
دست روی - پیاده سازی ساده SVM
توابع هسته SVM قسمت 1
توابع هسته SVM قسمت 2
انواع تابع هسته SVM
پروژه 6 - مشکل طبقه بندی IRIS
پروژه 6 - پردازش داده ها
پروژه 6 - آموزش و ایجاد مدل
پروژه 6 - ایجاد و مقایسه چند مدل
درختان تصمیم:
شهود پشت درختان تصمیم
پروژه 7 - درک مشکل پیش بینی درآمد بزرگسالان
پروژه 7 - پردازش داده ها
پروژه 7 - تقسیم داده ها و وارد کردن طبقه بندی کننده
پروژه 7 - درختان تصمیم - پارامترها قسمت 1
پروژه 7 - درختان تصمیم - پارامترها قسمت 2
پروژه 7 - اجرا و ارزیابی مدل
جنگل تصادفی:
مجموعه یادگیری و جنگل های تصادفی
کوله بری و تقویت
دست روی - جنگل تصادفی را پیاده سازی کنید
ارزیابی مدل های طبقه بندی:
پارادوکس نیاز به ارزیابی و دقت
اقدامات ارزیابی طبقه بندی
دست در - معیارهای ارزیابی برای پروژه های پیش بینی وام
آستانه و تنظیم آستانه چیست
دست روی - تنظیم آستانه
Hands On - منحنی AUC ROC با استفاده از پایتون
رسم منحنی AUC ROC
-- قسمت 7: انتخاب ویژگی ------
در این قسمت چه خواهید آموخت؟
انتخاب ویژگی تک متغیره:
اهمیت انتخاب ویژگی
انتخاب ویژگی تک متغیره چیست؟
F-Test برای رگرسیون و طبقه بندی
Hands on F-test - بیان مسئله
تست F Hands On - رگرسیون بدون انتخاب ویژگی
Hands on F-test - Pvalues را چاپ و تجزیه و تحلیل کنید
Hands on F-test - مقایسه نتایج با و بدون انتخاب ویژگی
شهود Chi-Squared
Scikitlearn - تبدیل‌های انتخاب ویژگی چیست؟
دست در دست - SelectKBest قسمت 1
دست در دست - SelectKBest قسمت 2
دست روی - SelectPercentile
Hands on - Generic Univariate Select
حذف ویژگی بازگشتی:
حذف ویژگی بازگشتی (RFE) چیست؟
پروژه 8 - پیش بینی های بازاریابی تلفنی بانک درک مشکل
پروژه 8 - ساخت مدل پیش بینی بدون RFE
پروژه 8 - RFE را پیکربندی کنید و نتایج را مقایسه کنید
پروژه 8 - امتیاز اهمیت ویژگی را دریافت کنید
-- قسمت 8: کاهش ابعاد -- :
چرا باید ابعاد و اهمیت PCA را کاهش داد؟
شهود ریاضی PCA و مراحل محاسبه PCA
پروژه 9 - پیاده سازی مدل بدون PCA
پروژه 9 - تبدیل ابعاد به PCA
پروژه 9 - مقایسه نتایج پس از پیاده سازی PCA
---- قسمت 9 - منظم سازی ---- :
مقدمه منظم سازی
Bias Variance Trade off چیست؟
رگرسیون ریج یا پنالتی L2
دست روی - اجرای رگرسیون ریج
دست روی - خط رگرسیون ریج طرح
دست روی - اثر لامبدا/آلفا
نکته در مورد کد پیوست
رگرسیون کمند یا پنالتی L1 - دست روی دست
قسمت 1 - L1 و L2 برای چند خطی بودن و انتخاب ویژگی
قسمت 2 - L1 و L2 برای چند خطی بودن و انتخاب ویژگی
قسمت 3 - L1 و L2 برای چند خطی و انتخاب ویژگی
تنظیم شبکه الاستیک
---- قسمت 10 - انتخاب مدل -----
معرفی انتخاب مدل
اعتبارسنجی متقابل برای انتخاب مدل:
اعتبار سنجی متقاطع چیست؟
چگونه اعتبار سنجی متقابل کار می کند
Hands On - برای اعتبارسنجی متقاطع آماده شوید
Hands On - پارامتر و اجرای Cross Validation
Hands On - نتایج Cross Validation را درک کنید
دست روی - نتیجه را تجزیه و تحلیل کنید
تنظیم فراپارامتر برای انتخاب مدل:
تنظیم Hyperparameter چیست؟
جستجوی شبکه ای و رویکرد جستجوی تصادفی
قسمت 1 - پارامترهای GridSearchCV توضیح داده شده است
قسمت 2 - Object GirdSearchCV را ایجاد کنید
قسمت 3 - داده‌ها را به GridSearchCV برسانید
قسمت 4 - نتایج GridSearchCV را درک کنید
قسمت 5 - GridSearchCV با استفاده از رگرسیون لجستیک
قسمت 6 - GridSearchCV با استفاده از بردار پشتیبانی
قسمت 7 - بهترین مدل را انتخاب کنید
قسمت 8 - جستجوی تصادفی
خلاصه انتخاب مدل
-- قسمت 11: یادگیری عمیق ---- :
نورون و شبکه عصبی مصنوعی چیست؟
شبکه عصبی مصنوعی چگونه کار می کند؟
Keras و Tensorflow چیست؟
تانسور در تنسورفلو چیست؟
نصب Keras، Backend و Tensorflow
ساختمان و پله های مدل کراس
لایه ها - نمای کلی و پارامترها
توابع فعال سازی
لایه ها - تابع فعال سازی Softmax
تابع ضرر چیست؟
توابع از دست دادن آنتروپی متقاطع
بهینه سازی - چیست؟
بهینه سازی - نزول گرادیان
بهینه سازی - نزول گرادیان تصادفی
بهینه سازی - SGD با مومنتوم
بهینه سازی - SGD با میانگین متحرک نمایی
بهینه سازی - کاهش نرخ یادگیری Adagrad و RMSProp
بهینه سازی - آدم
Initializers - مشکل گرادیان ناپدید شدن و انفجار
لایه ها - Initializers توضیح داده شده است
پروژه 10 - مشکل را درک کنید
برنامه به روز شده برای Tensorflow 2.
پروژه 10 - داده ها را بخوانید و پردازش کنید
پروژه 10 - مدل شبکه عصبی Keras را تعریف کنید
پروژه 10 - مدل شبکه عصبی Keras را تدوین کنید
پروژه 10 - نتیجه را ارزیابی کنید
---- قسمت 12 - خوشه بندی یا تجزیه و تحلیل خوشه ای ---- :
خوشه بندی چیست؟
خوشه ها چگونه تشکیل می شوند؟
پروژه 11 - درک مسئله
پروژه 11 - داده ها را دریافت، تجسم و عادی سازی کنید
پروژه 11 - وارد کردن KMeans و درک پارامترها
پروژه 11 - درک روش اولیه سازی KMeans++
پروژه 11 - ایجاد خوشه
پروژه 11 - تجسم و ایجاد تعداد متفاوتی از خوشه ها
درک روش آرنج برای تعیین تعداد خوشه
پروژه 11 - روش آرنج را اجرا کنید
چگونه از خوشه بندی برای کسب و کار استفاده کنیم؟
راه رو به جلو.
سخنرانی پاداش و دریافت گواهینامه.

نمایش سرفصل های انگلیسی

Data Science 2021 : Complete Data Science & Machine Learning