ستارگان ماشین لرنینگ احسان بابائی | ML.NET و C#
ستارگان Machine Learning باگتو، یادگیری ماشین را در محیط C# و داتنت دنبال میکند. این مسیر برای برنامهنویسانی مناسب است که میخواهند مفاهیم مدلسازی و استفاده از مدلها را در بستر فنی آشنای خود مطالعه کنند.
قیمت اصلی: 14,900,000 تومان · قیمت طبقه منفی یک: 790,000 تومان
قیمت مرجع ناشر هنگام بررسی: ۱۴,۹۰۰,۰۰۰ تومان؛ مبلغ منفی یک مستقل است.
ستارگان Machine Learning باگتو، یادگیری ماشین را در محیط C# و داتنت دنبال میکند. این مسیر برای برنامهنویسانی مناسب است که میخواهند مفاهیم مدلسازی و استفاده از مدلها را در بستر فنی آشنای خود مطالعه کنند.
فهرست آموزش شامل آمادهسازی داده، رگرسیون، دستهبندی، خوشهبندی، سیستم پیشنهاددهنده، تشخیص ناهنجاری، یادگیری عمیق، TensorFlow، ONNX و پردازش تصویر است. در صفحهٔ رسمی، احسان بابائی بهعنوان مدرس و سطح پیشرفته برای دوره درج شده است. پیشنیاز اصلی، تسلط عملی به C# و مبانی داتنت است.
سرفصلهای زیر، ترتیب مباحث فهرستشده برای همین نسخه را نشان میدهند. پیش از انتخاب، موضوعها و پیشنیازها را با هدف یادگیری خودت مقایسه کن و برای اجرای تمرینها زمان بگذار.
آخر دوره چی دستته
- آمادهسازی و بررسی دادهها
- مطالعهٔ رگرسیون، دستهبندی و خوشهبندی
- آشنایی با سیستم پیشنهاددهنده و تشخیص ناهنجاری
- مرور یادگیری عمیق و TensorFlow در داتنت
- آشنایی با ONNX و پردازش تصویر در C#
سرفصلها
جمعآوری و پیشپردازش دادهها
- مقدمه
- انواع روش های جمع آوری داده ها
- آشنائی با XPath
- جمع آوری اطلاعات از شبکه های اجتماعی
- پروژه جمع آوری داده ها از سایت stackoverflow
- پاکسازی داده ها
- تبدیل داده ها
- آشنایی با زبان R
- Exploratory data analysis(EDA)
- آمار توصیفی
- تجسم داده ها
- همبستگی
- شناسایی نقاط پرت
- خلاصه فصل
رگرسیون (Regression)
- مقدمه
- معرفی رگرسیون خطی ساده
- جمع اوری داده ها
- تجسم داده ها
- نمودار رگرسیون خطی ساده در R
- آموزش مدل رگرسیون خطی ساده
- پیشبینی با مدل رگرسیون خطی ساده
- ارزیابی مدل رگرسیون خطی ساده
- ارزیابی یک مدل ساده با R
- بررسی متریک MAE
- بررسی متریک MSE
- بررسی متریک RMSE
- بررسی متریک R-Squared
- روش های بهینه سازی مدل
- آشنایی با فرمول شیب خط
- بررسی فرمول رگرسیون خطی ساده
- معرفی رگرسیون خطی چندگانه
- EDA برای داده های رگرسیون خطی
- نمایش سه بعدی داده ها
- آموزش مدل رگرسیون خطی چندگانه با ML.NET
- آشنایی با Polynomial
- مثال ساده از Polynomial
- بررسی درجه Polynomial
- مقایسه پیشبینی Polynomial با خطی ساده
- پیاده سازی در ML.NET
- معرفی Logistic Regression
- معرفی Trainers
- ذخیره و استفاده از مدل
- ML.NET Model Builder
دستهبندی (Classification)
- معرفی Classification
- آشنایی با KNN
- آشنایی با Decision Tree
- آشنایی با Random Forest
- آشنایی با Support Vector Machine(SVM)
- آشنایی با Logistic Regression
- آشنایی با Naive Bayes
- پیاده سازی BinaryClassification - Customer Churn
- تحلیل احساسات با BinaryClassification
- آشنایی با پردازش متن
- آشنایی با کالیبره
- انواع کالیبراتور در ML.Net
- انواع Trainer برای Binary Classification
- روش های ارزیابی الگوریتم های Classification
- ارزیابی مدل Binary Classification
- تجزیه و تحلیل مجموعه داده های طبقه بندی چند کلاسه
- پیاده سازی Multiclass Classification
- انواع Trainer برای Multiclass Classification
- معیار های ارزیابی Multiclass
- آشنایی با معیار ارزیابی Log Loss
خوشهبندی (Clustering)
- آشنایی با Clustering
- معرفی الگوریتم K-Means
- آشنائی با الگوریتم DBSCAN
- مثال K-Means در R
- آشنایی با Elbow Method
- بررسی DataSet
- پیاده سازی مثال در R
- پیاده سازی Elbow
- خوشه بندی در ML.Net
- بررسی KMeans Options در Ml.Net
- ذخیره داده های هر خوشه در فایل
- مثال خوشه بندی کاربران وبلاگ
- نکات خوشه بندی
سیستمهای توصیهگر (Recommender Systems)
- آشنایی با Recommender Systems
- بررسی انواع روش های رایج سیستم های توصیه گر
- بررسی پروژه
- جمع آوری دادههای مناسب
- ساخت PipeLine
- بررسی آپشنهای Model
- ارزیابی مدل
- نحوه استفاده و ذخیره مدل
- استفاده از مدل در پروژه وبلاگ - بخش اول
- استفاده از مدل در پروژه وبلاگ - بخش دوم
شناسایی ناهنجاریها (Anomaly Detection Model)
- آشنایی با Anomaly Detection
- داده های سری زمانی
- سری زمانی تک متغیره و چند متغیره
- سه نوع اصلی ناهنجاریها
- الگوریتمها و روشهای تشخیص ناهنجاری در ML.NET
- تشخیص Spike برای داده های IID
- تشخیص نقاط تغییر برای داده های IID
- تشخیص Spike برای داده های فصلی
- تشخیص نقاط تغییر برای داده های فصلی
- استفاده از PCA برای سری زمانی چند متغیره
- نمایش ناهنجاری ها بر روی چارت
یادگیری عمیق و شبکههای عصبی
- معرفی شبکه های عصبی مصنوعی
- معرفی شبکه های عصبی مصنوعی
- بررسی شبکه عصبی مصنوعی ساده
- نحوه کار شبکه عصبی مصنوعی
- آشنایی با Feed-Forward و Backpropagation
- انواع شبکه های عصبی
استفاده از TensorFlow
- معرفی تنسورفلو
- استفاده از تنسورفلو در دات نت
- آشنایی با تنسور و استفاده از آن
- استفاده از NumPy در دات نت
- پروژه یادگیری عمیق - پیش پردازش داده ها
- پروژه یادگیری عمیق - ایجاد مدل شبکه عصبی
- پروژه یادگیری عمیق - آموزش مدل
- پروژه یادگیری عمیق - ارزیابی مدل
- پروژه یادگیری عمیق - ذخیره واستفاده از مدل
استفاده از ONNX
- معرفی ONNX
- معرفی مدل های ONNX
- کار با Netron
- ایجاد مدل با PyTorch در پایتون
- استفاده از PyTorch در ML.Net
- خروجی گرفتن مدل ONNX در ML.Net
- استفاده از مدل های ML.NET در زبان پایتون
پردازش تصویر در سی شارپ
- آشنایی با پردازش تصویر
- آشنایی با اجزای تصویر
- کار با OpenCV - ویرایش تصویر
- کار با OpenCV - تشخیص چهره
- کار با OpenCV - تنظیمات مهم برای تشخیص چهره
- پروژه تشخیص اعداد دستنویس - معرفی مسئله
- پروژه تشخیص اعداد دستنویس - بارگذاری داده ها
- پروژه تشخیص اعداد دستنویس - ساخت CNN عمیق
- پروژه تشخیص اعداد دستنویس - آموزش و ارزیابی
- پروژه تشخیص اعداد دستنویس - استفاده از مدل
- آشنایی با Transfer Learning
- پروژه دسته بندی تصاویر - آماده سازی دیتاست
- پروژه دسته بندی تصاویر - آموزش مدل بخش اول
- پروژه دسته بندی تصاویر - آموزش مدل بخش دوم
- پروژه دسته بندی تصاویر - استفاده از مدل
- پروژه تشخیص اشیاء - بخش اول
- پروژه تشخیص اشیاء - بخش دوم
- پروژه تشخیص اشیاء - بخش پایانی
مدرس
احسان بابائی، باگتو · مدرس یا ارائهدهندهٔ آموزش
مناسب کیه
- برنامهنویسان C# و داتنت
- توسعهدهندگان علاقهمند به ML.NET
- افراد با تجربهٔ عملی برنامهنویسی
داخل پکیج چیه
- فهرست تفصیلی مباحث بخشها و عنوانهای آموزشی همین نسخه در ادامهٔ صفحه آمدهاند.
- مسیر متناسب با موضوع دوره پیشنیاز و مخاطب پیشنهادی برای انتخاب آگاهانه درج شدهاند.
ثبتنام و خرید فقط از سایت و ربات انجام میشود.