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 یادگیری ماشینی نظارت نشده در زبان پایتون

15,900 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 هوش مصنوعی در زبان پایتون یاد می گیرید.

عنوان اصلی : Unsupervised Machine Learning with Python

سرفصل ها :


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

نمایش سرفصل های انگلیسی

Unsupervised Machine Learning with Python