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 Machine Learning و Data Science 2021

آموزش Machine Learning و Data Science 2021

25,000 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 دیتا ساینس 2021 یاد می گیرید.

عنوان اصلی : Complete Machine Learning & Data Science Bootcamp 2021

سرفصل ها :


مقدمه:
طرح درس
به کلاس آنلاین ما بپیوندید
ورزش: دیدار با جامعه
اولین روز شما




یادگیری ماشین چیست؟
یادگیری AI / Machine / Data Data
ورزش: زمین بازی یادگیری ماشین
چگونه ما اینجا دریافت کردیم؟
ورزش: موتور توصیه YouTube
انواع یادگیری ماشین
آیا هنوز آن را دریافت می کنید؟
یادگیری ماشین چیست؟ دور 2
بررسی بخش
چالش های برنامه نویسی ماهانه، منابع رایگان و راهنماهای
چارچوب یادگیری ماشین و اطلاعات علمی:
بخش بخش بخش
معرفی چارچوب ما
چارچوب یادگیری ماشین 6 مرحله
انواع مشکلات یادگیری ماشین
انواع داده ها
انواع ارزیابی
ویژگی های داده ها
مدل سازی - داده های تقسیم
مدل سازی - انتخاب مدل
مدل سازی - تنظیم
مدل سازی - مقایسه
تعاریف بیش از حد و زیرزمینی
آزمایش
ابزار ما استفاده خواهیم کرد
اختیاری: عناصر AI
2 مسیر:
2 مسیر
Python + ماشین یادگیری ماهانه
تأیید در LinkedIn
Data Science Environment Setup:
بخش بخش بخش
معرفی ابزارهای ما
Conda چیست؟
محیط های کاندایی
Mac Setup Setup
Mac Setup 2
تنظیم محیط ویندوز
Windows Environment Setup 2
تنظیم محیط زیست لینوکس
به اشتراک گذاری محیط کاندا
Gupyter Notebook Walkthrough
Jupyter Notebook Walkthrough 2
Jupyter Notebook Walkthrough 3
پانداها: تجزیه و تحلیل داده ها:
بخش بخش بخش
دانلود کتابها و تکالیف
Pandas مقدمه
سری، فریم های داده و CSVs
داده ها از URL ها
توصیف داده ها با پانداها
انتخاب و مشاهده داده ها با پانداها
انتخاب و مشاهده داده ها با Pandas Part 2
دستکاری داده ها
دستکاری داده ها 2
دستکاری داده ها 3
انتصاب: Pandas Practice
چگونه برای دانلود تکالیف دوره
numpy:
بخش بخش بخش
معرفی numpy
یادداشت سریع: اصلاح در ویدیو بعدی
DataTypes و ویژگی های Numpy
ایجاد آرایه های numpy
بذر تصادفی numpy
مشاهده آرایه ها و ماتریس ها
دستکاری آرایه ها
آرایه های دستکاری 2
انحراف استاندارد و واریانس
تغییر و انتقال
dot product vs عنصر عاقلانه
ورزش: فروش محصولات کره کره
اپراتورهای مقایسه
آرایه های مرتب سازی
تصاویر را به آرایه های numpy تبدیل کنید
انتصاب: تمرین numpy
اختیاری: منابع فوق العاده اضافی
matplotlib: طرح بندی و تجسم داده ها:
بخش بخش بخش
matplotlib مقدمه
وارد کردن و استفاده از matplotlib
Anatomy از یک شکل Matplotlib
طرح پراکنده و طرح نوار
هیستوگرام ها و زیرمجموعه ها
Subplots گزینه 2
نکته سریع: تجسم داده ها
نقشه برداری از Pandas DataFrames
یادداشت سریع: عبارات منظم
نقشه برداری از Pandas DataFrames 2
نقشه برداری از Pandas DataFrames 3
نقشه برداری از Pandas DataFrames 4
نقشه برداری از Pandas DataFrames 5
نقشه برداری از Pandas DataFrames 6
نقشه برداری از Pandas DataFrames 7
سفارشی کردن توطئه های شما
سفارشی کردن توطئه های شما 2
صرفه جویی و به اشتراک گذاری توطئه های خود را
تخصیص: تمرین Matplotlib
scikit-letter: ایجاد مدل های یادگیری ماشین:
بخش بخش بخش
Scikit-Learn مقدمه
یادداشت سریع: ویدئو آینده
Refresher: یادگیری ماشین چیست؟
یادداشت سریع: فیلم های آینده
Scikit-Learn CheatSheet
گردش کار Scikit-Learn
اختیاری: هشدارهای اشکال زدایی در Jupyter
دریافت اطلاعات خود را آماده کنید: تقسیم داده های خود را
نکته سریع: تمیز کردن، تبدیل، کاهش
دریافت اطلاعات خود را آماده کنید: داده ها را به اعداد تبدیل کنید
دریافت اطلاعات خود را آماده کنید: دست زدن به ارزش های گم شده با پانداها
Extension: قابلیت پوسته پوسته شدن ویژگی
توجه: اصلاح در ویدئو آینده (داده های تقسیم شده)
دریافت اطلاعات خود را آماده کنید: دست زدن به ارزش های گم شده با Scikit-Learn
انتخاب مدل مناسب برای داده های شما
انتخاب مدل مناسب برای داده های شما 2 (رگرسیون)
اطلاعات سریع: درخت تصمیم گیری
نکته سریع: چگونه الگوریتم های ML کار می کنند
انتخاب مدل مناسب برای داده های شما 3 (طبقه بندی)
نصب یک مدل به داده ها
پیش بینی های ما با مدل ما
پیش بینی () vs predict_proba ()
ساختن پیش بینی ها با مدل ما (رگرسیون)
ارزیابی یک مدل یادگیری ماشین (نمره)
ارزیابی مدل یادگیری ماشین 2 (اعتبار سنجی صلیب)
ارزیابی یک مدل طبقه بندی 1 (دقت)
ارزیابی یک مدل طبقه بندی 2 (منحنی ROC)
ارزیابی یک مدل طبقه بندی 3 (منحنی ROC)
خواندن تمدید: منحنی ROC + AUC
ارزیابی یک مدل طبقه بندی 4 (ماتریس سردرگمی)
ارزیابی یک مدل طبقه بندی 5 (ماتریس سردرگمی)
ارزیابی