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 پایتون یاد می گیرید.
عنوان اصلی : Data Science and Machine Learning with Python Masterclass
1. مقدمه دوره علم داده و یادگیری ماشین
2. بازار علم داده + یادگیری ماشین
3. فرصت های شغلی علم داده
4. نقش های شغلی علم داده
5. دانشمند داده چیست؟
6. چگونه شغل علم داده بدست آوریم
7. بررسی اجمالی پروژه های علم داده
8. چرا از پایتون استفاده می کنیم؟
9. علم داده چیست
10. یادگیری ماشینی چیست؟
11. مفاهیم و الگوریتم های یادگیری ماشین
12. یادگیری ماشینی در مقابل یادگیری عمیق
13. یادگیری عمیق چیست
14. برنامه نویسی پایتون چیست؟
15. چرا پایتون برای علم داده؟
16. ژوپیتر چیست؟
17. گوگل کولب چیست؟
18. شروع به کار با کولب
19. متغیرهای پایتون و بولی
20. عملگرهای پایتون
21. اعداد پایتون و بولین ها
22. رشته های پایتون
23. دستورات شرطی پایتون
24. Python For Loops و while Loops
25. لیست های پایتون
26. اطلاعات بیشتر درباره لیست های پایتون
27. Python Tuples
28. دیکشنری پایتون
29. مجموعه پایتون
30. انواع داده های مرکب
31. برنامه نویسی شی گرا پایتون
32. مقدمه ای بر آمار
33. آمار توصیفی
34. اندازه گیری متغیر
35. اندازه گیری تغییرپذیری ادامه دارد
36. معیارهای رابطه متغیر
37. آمار استنباطی
38. اندازه گیری عدم تقارن
39. توزیع نمونه
40. دقیقا چه احتمالی
41. ارزش های مورد انتظار
42. فرکانس نسبی
43. بررسی اجمالی آزمون فرضیه
44. انواع داده آرایه NumPy
45. آرایه های NumPy
46. مبانی آرایه NumPy
47. نمایه سازی آرایه NumPy
48. محاسبات آرایه NumPy
49. صدا و سیما
50. معرفی پانداها
51. پانداها ادامه دارد
52. مروری بر تجسم داده ها
53. کتابخانه های مختلف تجسم داده ها
54. پیاده سازی تجسم داده های پایتون
55. مقدمه ای بر یادگیری ماشینی
56. تجزیه و تحلیل داده های اکتشافی
57. مقیاس بندی ویژگی ها
58. پاکسازی داده ها
59. مهندسی ویژگی
60. مقدمه رگرسیون خطی
61. گرادیان نزول
62. رگرسیون خطی + روش های همبستگی
63. پیاده سازی رگرسیون خطی
64. رگرسیون لجستیک
65. نمای کلی KNN
66. مدل های پارامتریک در مقابل مدل های غیرپارامتیک
67. EDA در مجموعه داده Iris
68. KNN Intuition
69. الگوریتم KNN را از ابتدا پیاده سازی کنید
70. نتیجه را با کتابخانه Sklearn مقایسه کنید
71. تنظیم فراپارامتر KNN با استفاده از اعتبارسنجی متقاطع
72. تجسم مرز تصمیم
73. KNN - منهتن در مقابل فاصله اقلیدسی
74. مقیاس گذاری KNN
75. نفرین ابعاد
76. موارد استفاده KNN
77. مزایا و معایب KNN
78. نمای کلی بخش درختان تصمیم
79. EDA در مجموعه داده بزرگسالان
80. Entropy و Info Gain چیست
81. الگوریتم درخت تصمیمات ID3 قسمت 1
82. الگوریتم درخت تصمیمات ID3 قسمت 2
83. الگوریتم درخت تصمیمات ID3 قسمت 3
84. قرار دادن همه چیز با هم
85. ارزیابی پیاده سازی ID3 ما
86. با اجرای Sklearn مقایسه کنید
87. تجسم درخت
88. اهمیت ویژگی ها را ترسیم کنید
89. فراپارامترهای درخت تصمیم
90. هرس
91. [اختیاری] سهمیه به دست آوردن
92. یادگیری گروهی چیست؟
93. Bootstrap Sampling چیست؟
94. Bagging چیست؟
95. خطای خارج از کیسه (خطای OOB)
96. پیاده سازی جنگل های تصادفی از ابتدا قسمت 1
97. پیاده سازی جنگل های تصادفی از ابتدا قسمت 2
98. فراپارامترهای تصادفی جنگل ها
99. تقویت چیست؟
100. AdaBoost قسمت 1
101. AdaBoost قسمت 2
102. طرح کلی SVM
103. شهود SVM
104. سخت در مقابل حاشیه های نرم
105. فراپارامتر C
106. ترفند هسته
107. SVM - انواع هسته
108. SVM با مجموعه داده خطی (Iris)
109. SVM با مجموعه داده غیر خطی
110. SVM با رگرسیون
111. [پروژه] تشخیص جنسیت صدا با استفاده از SVM
112. مقدمه یادگیری ماشین بدون نظارت
113. یادگیری ماشینی بدون نظارت ادامه دارد
114. استاندارد سازی داده ها
115. مروری بر بخش PCA
116. PCA چیست؟
117. ماتریس کوواریانس در مقابل SVD
118. خراش فشرده سازی تصویر
119. Scratch پیش پردازش داده ها
120. ایجاد رزومه علم داده
121. جلد نامه علوم داده
122. نحوه تماس با استخدام کنندگان
123. شروع به کار آزاد
124. برترین وب سایت های فریلنسری
125. برندسازی شخصی
126. شبکه سازی بایدها و نبایدها
127. اهمیت یک وب سایت
Data Science and Machine Learning with Python Masterclass
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.
