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 انجام پروژه های دیپ لرنینگ بوسیله Linear Regression در زبان Python

آموزش انجام پروژه های دیپ لرنینگ بوسیله Linear Regression در زبان Python

10,900 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

در این کورس آموزشی قدم به قدم بر انجام پروژه های دیپ لرنینگ در زبان پایتون مسلط خواهید شد. 

عنوان اصلی : Deep Learning Prerequisites Linear Regression in Python

سرفصل ها :


1. خوش آمدی:
1. خوش آمدی
2. مقدمه و طرح
3. یادگیری ماشین چگونه رگرسیون خطی نقش دارد
4. چگونه در این دوره موفق شویم
5. آمار در مقابل یادگیری ماشین
6. رگرسیون خطی می تواند مورد استفاده قرار گیرد
2. تئوری رگرسیون خطی 1 بعدی و کد:
1. مدل را در 1-D تعریف کنید، راه حل را بدست آورید (نسخه به روز شده)
2. مدل را در 1-D تعریف کنید، راه حل را بدست آورید
3. کدگذاری راه حل 1 بعدی در پایتون
4. تئوری ورزش در مقابل کد
5. تعیین اینکه چگونه مدل خوب است - R-squared
6. R-squared in code
7. مقدمه ای بر مسئله قانون مور
8. نشان دادن قانون مور در کد
9. مسابقه R-Squared 1
10. صندوق پیشنهادات
3. رگرسیون خطی چندگانه و رگرسیون چند جمله ای:
1. مشکل چند بعدی را تعریف کنید و راه حل را به دست آورید (نسخه به روز شده)
2. مشکل چند بعدی را تعریف کنید و راه حل را بدست آورید
3. نحوه حل رگرسیون خطی چندگانه با استفاده از ماتریس ها
4. کدگذاری راه حل چند بعدی در پایتون
5. رگرسیون چندجملهای - گسترش رگرسیون خطی (با کد پایتون)
6. پیش بینی فشار خون سیستولیک از سن و وزن
7. مسابقه R-Squared 2
4. مسائل یادگیری ماشین عملیاتی:
1. این همه نامه ها چیست؟
2. تفسیر وزن
3. خطای عمومی، قطار و مجموعه تست
4. تعمیم و تظاهرات بیش از حد در کد
5. ورودی های قطعی
6. مسابقه کدگذاری داغ
7. تفسیر احتمالاتی از خطای مربع
8. L2 Regularization - نظریه
9. L2 Regularization - کد
10. تله متغیر ساختگی
11. آموزش دهانه گرادیان
12. تبار شیب برای رگرسیون خطی
13. دور زدن تله متغیر ساختگی با تبار گرادیان
14. L1 Regularization - نظریه
15. L1 Regularization - کد
16. L1 VS L2 Regularization
17. چرا تقسیم شده توسط ریشه مربع د
5. نتیجه گیری و مراحل بعدی:
1. خلاصه خلاصه ای از رگرسیون خطی پیشرفته و موضوعات یادگیری ماشین
2. تمرینات، تمرین و چگونگی دست زدن به این
6. ضمیمه سوالات متداول:
1. ضمیمه چیست؟
2. جایزه کجا برای دریافت کوپن های Udemy و مواد یادگیری عمیق عمیق
3. محیط زیست متمرکز بر ویندوز 2018
4. نحوه نصب Numpy، Scipy، Matplotlib، Pandas، ipython، Theano، و Tensorflow
5. چگونه به خودتان کد (قسمت 1)
6. چگونه به خودتان کد (قسمت 2)
7. چگونه در این دوره موفق شویم (نسخه طولانی)
8. این برای مبتدیان یا کارشناسان آکادمیک یا عملی سریع یا آهسته است
9. اثبات این است که با استفاده از نوت بوک Jupyter همانند استفاده از آن نیست
10. چه منظور باید دوره های خود را در (قسمت 1)
11. چه منظور باید دوره های خود را در (قسمت 2)
12. پایتون 2 در مقابل پایتون 310. چه منظور باید دوره های خود را در (قسمت 1)
11. چه منظور باید دوره های خود را در (قسمت 2)
12. پایتون 2 در مقابل پایتون 3