فیلم یادگیری کامل یادگیری ماشینی

رویکرد عمیق به ML شما را به اصول اولیه ML کاهش می دهد و شما را در هیچ زمان از طرفدار خارج می کند. گرفتن این دوره در حال حاضر

عنوان اصلی : MACHINE LEARNING MASTER CLASS, AI MADE EASY (Zero to Hero!!)

سرفصل های دوره :

مقدمه:
پیش نیازها
بررسی و رتبه بندی
تنظیم:
تاریخچه کوتاه پایتون
Python 2 vs 3
گزینه های Python IDE
ناوبر و IDE آناکوندا
نوت بوک Jupyter، Google Colab
PyCharm و VS Code
محیط مجازی
چند چیز دیگر:
لینک های لینکدین و اینستاگرام
پایتون: اصول اولیه:
رشته شروع توقف و استپ
برش رشته
قالب بندی رشته
لیست در پایتون
کوتاه کردن لیست، معکوس کردن، حذف، پاک کردن، فهرست لیست
مجموعه ها
جلوها
دیکشنری در پایتون
None و Bool
عملگرهای مقایسه
عملگرهای منطقی
در لینکدین وصل شوید، "خوب است!"
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Python: عبارات:
If ElIf & other
حلقه در حالی که
برای حلقه
باز کردن بسته بندی دوتایی
بشکنید، ادامه دهید و بگذرید
محدوده، شمارش و فشرده سازی
در
ورودی و وارد کردن
انجمن گفتگو
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Python: روش و توابع:
توابع تعریف شده توسط کاربر
عملکرد کمک
دامنه ها
آرگ و کوارگ
نقشه ها، فیلترها و لامبدا
یک بار دیگر لامبدا
درباره فایل های پروژه
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Python: ماژول و بسته‌ها:
بسته های پایتون
بسته های تعریف شده توسط کاربر
بسته های تعریف شده کاربر ادامه دارد
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Python: OOPS در پایتون:
قابلیت نامگذاری و مقدمه
ویژگی‌ها و روش‌های کلاس
ارث
وراثت چند سطحی و MRO
چند شکلی
روش های کلاس ویژه
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Python: مدیریت خطاها:
سعی کنید جز در نهایت
انواع خطا، else و در نهایت
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
دکوراتورها و ژنراتورهای پایتون:
دکوراتورهای پایتون
دکوراتور روش کلاس
ژنراتورهای پایتون
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Python: عبارت منظم:
معرفی عبارت منظم
بیان منظم، گروه بندی و لوله
تکرار و دامنه
حریص، غیر حریص مسابقات و findall
BeginsWith endsWith و کاراکتر نقطه
BeginsWith endsWith و کاراکتر نقطه ادامه دارد
مجموعه ها
تطبیق تحت اللفظی، زیر و پرمخاطب
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Python: فایل‌ها:
معرفی فایل ها
مسیرها
حالت خواندن، حالت نوشتن و روش ها
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Python: Numpy:
راه اندازی
توابع آرایه NumPy - ایجاد آرایه
روش های مبتنی بر آرایه تصادفی
برش و پخش
انتخاب ماتریس و انتخاب شرطی
عملیات Numpy
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
پایتون: پانداها:
سریال پاندا
معرفی DataFrame
انتخاب های DataFrame
GroupBy
الحاق
عملیات
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
ماژول های مفیدتر:
کلاس تصادفی پایتون
تصادفی زیر numpy و Arange
مجموعه های پایتون
شمارنده پایتون از مجموعه ها
ضرب ماتریس ریاضی
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Python: Matplotlib:
طرح ساده Matplotlib، نمودارهای خطی
Matplotlib Bar-graph و نمودارهای چندگانه
Matplotlib زیر طرح و هیستوگرام
نمودارهای پراکندگی Matplotlib و نمودارهای دایره ای
Matplotlib پراکندگی سه بعدی و طرح ساده
طراحی سطح Matpotlib Wireframe
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
ML: قبل از شروع:
مقدمه ای بر ML و یادگیری تحت نظارت
یادگیری بدون نظارت
نوع داده
میانه حالت میانگین
انحراف استاندارد
رایج ترین توزیع های داده، PDF و PMF
درصد، لحظه و چندک
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
تجسم (تجزیه و تحلیل داده های اکتشافی) با Seaborn:
تکمیل خودکار در نوت بوک jupyter
نقشه پراکندگی در مجموعه داده عنبیه
جفت طرح و محدودیت ها
مجموعه داده نکات
توطئه های دریایی
نمودارهای Facetgrid
تحلیل تک متغیره با استفاده از PDF
قطعه باکس پلات و ویولن
HeatMap
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
مبانی جبر خطی برای ML:
ماتریس ها
عملیات ماتریسی و عملیات اسکالر
ضرب ماتریسی
ضرب برداری
ماتریس هویت، خواص معکوس ماتریس، جابجایی ماتریس
پیش پردازش:
واردات داده
مدیریت داده های از دست رفته
انتخاب ویژگی و رمزگذاری داده های دسته بندی شده
تقسیم داده ها و مقیاس بندی ویژگی ها را آزمایش و آموزش دهید
نمونه برداری زیر و بیش از حد
تکالیف و نکات
راه حل انتساب و OneHotEncoding - قسمت 01
راه حل انتساب و OneHotEncoding - قسمت 02
فایل‌ها/نوت‌بوک‌های پروژه برای sاکشن
رگرسیون خطی:
کارکرد رگرسیون خطی و تابع هزینه
اجرای رگرسیون خطی در پایتون - قسمت 1
اجرای رگرسیون خطی در پایتون - قسمت 2
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
رگرسیون خطی چندگانه:
رگرسیون خطی چندگانه در پایتون
رگرسیون خطی چندگانه در پشت صحنه - قسمت 1
رگرسیون خطی چندگانه در پشت صحنه - قسمت 2
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
رگرسیون چند جمله ای:
رگرسیون چند جمله ای
رگرسیون چند جمله ای در مجموعه داده های چندگانه
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
قبل از اینکه به جلو برویم:
سوگیری، واریانس و برازش بیش از حد
گرادیان مناسب - پس زمینه
گرادیان مناسب در فضای دو بعدی و سه بعدی
رگرسیون درخت تصمیم:
اندازه گیری آنتروپی و ناخالصی جینی
اجرای درخت تصمیم با 1 ویژگی
تجسم مدل درخت تصمیم
اجرای درخت تصمیم - چندین ویژگی
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
رگرسیون تصادفی جنگل:
آموزش گروهی
جنگل تصادفی
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
کیف کردن و تقویت:
کیسه زنی
تقویت
رگرسیون - AdaBoost و XGBoost regressor:
AdaBoost و XGBoost regressor
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
رگرسیون - SVM (رگرسیون):
زمینه SVM (رگرسیون).
SVR تحت پایتون
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
رگرسیون - پیشینه تکنیک ارزیابی (رگرسیون):
R-square
R-Square تنظیم شده
رگرسیون - الگوی اصلی مدل‌های رگرسیون:
مدل رگرسیون الگوی اصلی - ایجاد داده
مدل رگرسیون الگوی اصلی - مدل‌ها و ارزیابی
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
مفهوم ML - اعتبار سنجی K-Fold، GridSearch:
K اعتبار سنجی متقاطع
قالب به روز شده با GridSearchCV
K اعتبار سنجی متقاطع بدون GridSearchCV
اعتبار سنجی متقاطع K Fold بدون GridSearchCV ادامه دارد
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
بازدید از پیش پردازش:
چرا ارتباط مشترک مهم است؟
کوواریانس
رابطه مشترک
نفرین ابعاد
پیش پردازش دوباره بازدید شد
پيش پردازش بازديد شده ادامه دارد
انتخاب ویژگی
بحث کوتاه
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
طبقه‌بندی - الگوریتم K-نزدیک‌ترین همسایه (KNN):
پس زمینه KNN
KNN در پایتون
تجسم و چند چیز دیگر
کلاس های LabelEncoding
KNN در طبقه بندی چند طبقه
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
طبقه‌بندی کننده رگرسیون لجستیک:
چرا رگرسیون لجستیک؟
پس زمینه رگرسیون لجستیک
رگرسیون لجستیک تحت پایتون
رگرسیون لجستیک در طبقه بندی چند طبقه
رگرسیون لجستیک در طبقه بندی چند کلاسه تحت پایتون
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
طبقه بندی خلیج های ساده:
قضیه بیز
احتمال در مقابل احتمال
بایزهای ساده لوح چندجمله ای
مقیاس ورود به سیستم
بایزهای ساده لوح گاوسی
بیز ساده لوح گاوسی تحت پایتون و تجسم مدل ها
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
چند چیز خوب در مورد ML بدانید:
شماره اویلر
داده های متوازن در مقابل نامتعادل
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
طبقه‌بندی - ماشین‌های بردار پشتیبانی:
SVM شروع به کار با داده های 1 بعدی
SVM، نقشه برداری ابعاد بالاتر
SVM، در فضای دوبعدی
پیاده سازی SVM با استفاده از پایتون
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
طبقه بندی - درخت تصمیم و جنگل تصادفی:
درخت تصمیم و جنگل تصادفی
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
طبقه بندی - طبقه بندی کننده AdaBoost و XGBoost:
طبقه بندی کننده AdaBoost و XGBoost
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
مفهوم ML - تکنیک های ارزیابی (راهنما):
دقت، چندان دقیق نیست
ماتریس سردرگمی
دقت، دقت، فراخوانی، ویژگی، امتیاز F1
ماتریس سردرگمی سه بعدی
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
طبقه‌بندی - الگوی اصلی مدل طبقه‌بندی:
قالب اصلی مدل طبقه بندی
الگوی اصلی مدل طبقه بندی با ارزیابی و مجموعه داده های مختلف
فایل‌ها/نوت‌بوک‌های پروژه برای بخش اعتبارسنجی
GridSearchCV، RandomizedSearchCV و KFold:
قالب به روز شده با GridSearchCV
CV تصادفی جستجو
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
تکنیک های ارزیابی با استفاده از منحنی ها (ROC، AUC، PR، CAP):
زمینه منحنی ROC، AUC و PR
ROC، AUC - ارزیابی بهترین حالتل
ROC، AUC - محاسبه آستانه بهینه (روش Youdens)
ROC، AUC - محاسبه آستانه بهینه (بهترین روش دقت)
زمینه منحنی CAP
اجرای منحنی CAP
منحنی CAP با چندین مدل و چند کلاسه
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
تکنیک های گروه:
طبقه بندی رأی
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
اصول استقرار مدل:
اصول استقرار مدل
پیش‌بینی با استفاده از مقدار
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
برنامه وب با استفاده از Flask (Basics):
درباره فلاسک
الزامات
شروع به کار
حالت اشکال زدایی فلاسک
مسیرها
از الگو برای صفحات استفاده کنید
کد تصویری برای فلاسک
متغیرها با الگوها
سربرگ و پاورقی
قالب وب
نوار پیمایش
شروع با WTFoms
فرم ثبت نام
پیام های خطاهای اعتبارسنجی در زیر Flask
بوت استرپ با فلاسک
پیام های خطای اعتبارسنجی با بوت استرپ
نمای کلی الگوی طراحی طرح فلاسک
نهایی شدن طرح اولیه و چند اصلاح
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
برنامه وب - استقرار مدل در Flask WebApplication:
مدل ML در برنامه Flask - قسمت 01
مدل ML در برنامه Flask - قسمت 02
مدل ML در برنامه Flask - قسمت 03
مدل ML در برنامه Flask - قسمت 04
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
ML - سیستم‌های توصیه‌کننده:
مبانی سیستم های توصیه
آماده سازی داده ها
جدول محوری
استخراج همبستگی ها
ارائه توصیه‌ها
توصیه های تست
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
قانون انجمن - الگوریتم Apriori:
شروع با الگوریتم Apriori
بهینه سازی سبد بازار
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
Clustering - K به معنای خوشه بندی است:
یادگیری بدون نظارت
K-به معنای خوشه بندی است
خوشه های بهینه
روش آرنج
K-به معنای خوشه بندی در پایتون است
تجسم
دندروگرام
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
یادگیری تقویتی:
یادگیری تقویتی - مبانی
ویدیوی پاداش - یادگیری تقویتی (AIMA Repo)
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
حد بالایی اعتماد (UCB):
چرا یادگیری تقویتی؟
فقط کاوش، فرآیند فقط بهره برداری
الگوریتم کران اعتماد بالا ادامه دارد (UCB)
الگوریتم کران اعتماد بالا ادامه دارد
فایل‌ها/نوت‌بوک‌های پروژه برای بخش
پردازش زبان طبیعی:
دقیقا NLP چیست؟
طبقه بندی متن با استفاده از ML، مسائل
ماتریس عبارت متن به سند
فرکانس معکوس مدت سند
طبقه‌بندی‌کننده متن ساختمان
طبقه‌بندی‌کننده متن ساختمان با خط لوله ادامه می‌یابد
طبقه‌بندی‌کننده متن ساختمان با چندین مدل ادامه می‌یابد
یادگیری عمیق:
NLP، DL، DNLP
نورون ها
چرا شبکه عصبی؟
نمایش داده ها با استفاده از اعداد
شبکه عصبی - فرآیند تبدیل داده برای لایه ورودی
شبکه عصبی - ارزش فعال سازی و مفهوم Overfitting
شبکه عصبی - تعمیم، ساده‌سازی، اندازه‌های فیلتر
شبکه عصبی، محاسبات پشت صحنه
توابع فعال سازی
انواع توابع فعال سازی
تبلیغ برگشتی
یک طبقه بندی کننده رقمی ساده
نمای کلی DeepSpeech - پروژه DeepNLP:
نمای کلی DeepSpeech
خیلی ممنون! :
مطالب بیشتر به زودی ....
با تشکر از شرکت در این دوره