در حال حاضر محصولی در سبد خرید شما وجود ندارد.
با مشاهده این کورس آموزشی از طریق انجام پروژه های واقعی و به زبانی بسیار ساده مطالب فراوانی را در رابطه با هوش مصنوعی در زبان پایتون یاد می گیرید.
عنوان اصلی : Unsupervised Machine Learning with Python
معرفی :
بخش 1.1: مقدمه
بخش 1.2: درباره این دوره
بخش 1.3: منابع دوره و تنظیم
دموهای پایتون:
بخش 2.0: دموهای پایتون
بخش 2.1: دموهای پایه Numpy
بخش 2.1: تمرینات
بخش 2.2: نسخه نمایشی عملیات ماتریس Numpy
بخش 2.2: تمرینات
بخش 2.3: دمو پایه Matplotlib
بخش 2.3: تمرینات
بخش 2.4: طرح نمایشی و انیمیشن خوشه ای Matplotlib
بخش 2.4: تمرینات
بخش 2.5: نسخه ی نمایشی پانداها
بخش 2.5: تمرینات
بخش 2.6: نسخه نمایشی مجموعه داده های Sklearn
مروری بر مفاهیم ریاضی:
بخش 3.0: بررسی مفاهیم ریاضی
بخش 3.1: داده ها در یادگیری بدون نظارت چیست
بخش 3.1: تمرینات
بخش 3.2: پیچیدگی محاسباتی
بخش 3.2: تمرینات
بخش 3.3: اندازه گیری های فاصله
بخش 3.3: تمرینات
بخش 3.4: تجزیه ارزش منفرد
بخش 3.4: تمرینات
بخش 3.5: میانگین، واریانس و کوواریانس
بخش 3.5: تمرینات
خوشه بندی سلسله مراتبی:
بخش 4.1: الگوریتم خوشه بندی سلسله مراتبی
بخش 4.1: تمرینات
بخش 4.2: طراحی کد خوشه بندی سلسله مراتبی
بخش 4.3: بررسی کدهای خوشهبندی سلسله مراتبی
بخش 4.3: تمرینات
خوشه بندی DBSCAN:
بخش 5.1: الگوریتم DBSCAN
بخش 5.1: تمرینات
بخش 5.2: طراحی کد DBSCAN
بخش 5.3: مرور کد DBSCAN
بخش 5.3: تمرینات
K به معنای خوشه بندی است:
بخش 6.1: الگوریتم K Means
بخش 6.1: تمرینات
بخش 6.2: K به معنای طراحی کد است
بخش 6.3: K به معنای مرور کد است
بخش 6.3: تمرینات
خوشه بندی مدل مخلوط گاوسی:
بخش 7.1: تابع چگالی احتمال توزیع نرمال
بخش 7.1: تمرینات
بخش 7.2: الگوریتم مدل مخلوط گاوسی
بخش 7.2: تمرینات
بخش 7.3: طراحی کد مدل مخلوط گاوسی
بخش 7.4: کد مدل مخلوط گاوسی
بخش 7.4: تمرینات
مقایسه الگوریتم های خوشه بندی :
بخش 8.1: معیارهای اندازه گیری کیفیت خوشه بندی
بخش 8.1: تمرینات
بخش 8.2: مقایسه الگوریتم ها
کاهش ابعاد:
بخش 9.0: بررسی اجمالی کاهش ابعاد
بخش 9.1: الگوریتم تجزیه و تحلیل مؤلفه اصلی
بخش 9.1: تمرینات
بخش 9.2: طراحی کد تجزیه و تحلیل مؤلفه اصلی
بخش 9.3: بررسی کد تجزیه و تحلیل مؤلفه اصلی
بخش 9.3: تمرینات
بخش 9.4: PCA اعمال شده در مجموعه داده اعداد MNIST
بخش 9.4: تمرینات
بخش 9.5: رمزگذارهای خودکار
مطالعات موردی:
بخش 10.1: معیارهای کیفیت خوشه بندی
بخش 10.2: خوشه بندی برای مجموعه داده گل زنبق
بخش 10.2: تمرینات
بخش 10.3: خوشه بندی برای مجموعه داده ارقام MNIST
تمرینات بخش 10.3
بخش 10.4: خوشه بندی برای مجموعه داده متنی BBC
بخش 10.4: تمرینات
سخنان پایانی و تشکر از شما:
بخش 11.1: سخنان پایانی و تشکر
اختیاری :
بخش 12.1: سخنرانی اختیاری
Unsupervised Machine Learning with Python
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.