آموزش جامع ماشین لرنینگ با پایتون؛ بابک نوری مقدم

بابک نوری مقدم در دورهٔ ماشین لرنینگ دانشجویار، یادگیری ماشین با پایتون رو از شناخت و آماده‌سازی داده تا مدل‌سازی و ارزیابی پیش می‌بره.

قیمت اصلی: 6,900,000 تومان · قیمت طبقه منفی یک: 620,000 تومان

قیمت اصلی از صفحهٔ رسمی ناشر است؛ قیمت طبقه منفی یک هنوز تعیین نشده است.

یک فایل داده در اختیار دارید و می‌خواهید از آن پاسخ بگیرید، اما معلوم نیست قدم بعدی چیست. باید ابتدا نمودار بکشید، داده‌های ناقص را اصلاح کنید یا سراغ آموزش مدل بروید؟ اگر هر بار از یک آموزش پراکنده شروع کنید، ممکن است دستورهای مختلفی را بشناسید، ولی هنوز رابطهٔ میان مسئله، آماده‌سازی داده و انتخاب مدل برایتان روشن نباشد. یادگیری ماشین زمانی قابل‌فهم‌تر می‌شود که این مرحله‌ها را در امتداد یکدیگر ببینید و بدانید هر تصمیم، چه چیزی را در نتیجه تغییر می‌دهد.

مسیر این آموزش از مبانی علم داده و آمار به پایتون، NumPy و Pandas می‌رسد و بعد سراغ مصورسازی با Matplotlib، Seaborn، Plotly و Dash می‌رود. برای شما که می‌خواهید پیش از مدل‌سازی، داده را بشناسید، این ترتیب فرصت مهمی ایجاد می‌کند: می‌توانید نوع متغیرها، پراکندگی، رابطه‌ها و مقادیر مفقود را بررسی کنید. نمودار در این مرحله فقط برای ارائهٔ زیباتر نیست؛ بخشی از فرایند فهم مسئله و تصمیم‌گیری دربارهٔ آماده‌سازی داده است. تمرین‌های هر بخش نیز موضوع مشخصی برای استفاده از ابزارها در اختیارتان قرار می‌دهند.

پس از آماده‌سازی داده، نوبت مقایسهٔ مدل‌ها و بررسی نتیجه است. مباحث رگرسیون، دسته‌بندی، مدل‌های درختی و یادگیری جمعی در کنار اعتبارسنجی متقابل، تنظیم ابرپارامترها و معیارهای ارزیابی مطرح شده‌اند. پروژه‌هایی مانند پیش‌بینی ریزش مشتری و تحلیل داده‌های امتیازدهی فیلم، این مفاهیم را به مسئله وصل می‌کنند. اگر فقط اجرای مدل را یاد گرفته باشید، پرسش بعدی معمولاً این است که چرا باید به نتیجه اعتماد کنید؛ دنبال‌کردن مراحل ارزیابی کمک می‌کند پاسخ را در داده و روش بررسی جست‌وجو کنید.

بخش‌های پایانی به پردازش متن، خوشه‌بندی، کاهش ابعاد و استقرار مدل با Flask و FastAPI می‌پردازند. این ادامه برای کسی کاربرد دارد که می‌خواهد رابطهٔ میان آزمایش در محیط پایتون و استفاده از نتیجه در یک برنامه را بشناسد. می‌توانید هنگام مطالعه، یک سؤال تحلیلی مشخص را همراه خود نگه دارید و ببینید هر بخش چه بخشی از مسیر پاسخ‌دادن به آن را پوشش می‌دهد. چنین رویکردی کمک می‌کند ابزارها را در کنار مسئله‌ای که قرار است حل کنند یاد بگیرید.

آخر دوره چی دستته

سرفصل‌ها

معرفی دوره ماشین لرنینگ با پایتون

دنیای یادگیری ماشین و علم داده

آشنایی با مبانی آماری و آمار توصیفی

آمار استنباطی

مرور سریع مفاهیم اولیه زبان برنامه نویسی پایتون

کار با کتابخانه NumPy

کار با کتابخانه Pandas (اکسل پایتون!)

اصول مصورسازی داده ها با کتابخانه Matplotlib

مصورسازی داده ها با کتابخانه Seaborn

استفاده از امکانات پیش فرض Pandas در مصورسازی

مصورسازی و داشبوردهای Interactive با کتابخانه Plotly و Dash

پروژه جامع مصورسازی داده تحلیل داده های فیک امتیازدهی برای فیلم ها

مباحث رگرسیون: رگسیون خطی ساده، رگرسیون چندجمله ای، رگرسیون LASSO، رگسیون Ridge و Elastic Net

مهندسی ویژگی ها و آماده سازی داده

اعتبارسنجی متقابل Cross-Validation، جستجوی گرید و پروژه نهایی رگرسیون خطی

رگرسیون لاجستیک

مدل K-نزدیکترین همسایگی (KNN)

ماشین های بردار پشتیبان (Support Vector Machine SVM)

مدل های مبتنی بر ساختار درختی: یادگیری درخت های تصمیم

مدل های مبتنی بر ساختار درختی: جنگل تصادفی

مدل های یادگیری جمعی Ensemble Learning : مدل های AdaBoost و Gradient Boosting

پروژه جامع یادگیری با نظارت – پیش بینی ریزش مشتریان Churn Prediction و تحلیل Cohort

پردازش زبان طبیعی و دسته بندی متون با Naive Bayes

یادگیری بدون نظارت و خوشه بندی K-Means

خوشه بندی سلسله مراتبی

خوشه بندی مبتنی بر چگالی DBSCAN

آشنایی با کاهش ابعاد و روش تحلیل مولفه های اصلی PCA

استقرار مدل های یادگیری ماشین آموزش دیده در محیط عملیاتی Model Deployment

مدرس

دکتر بابک نوری مقدم · متخصص برنامه‌نویسی پایتون و توسعه‌دهندهٔ هوش مصنوعی

مناسب کیه

صفحه‌ی رسمی برگزارکننده

ثبت‌نام و خرید فقط از سایت و ربات انجام می‌شود.

مشاهده و ثبت‌نام در ربات