امروزه، یادگیری ماشین در اکثر صنایع و کسب و کارها مورد استفاده قرار می گیرد و تصمیمات بسیار تأثیرگذار دنیای امروز بر اساس پردازش ها و نتایج به دست آمده از یادگیری ماشین است. همچنین زبان برنامه نویسی پایتون (Python) با رشد و گسترده تر شدن روزافزون جامعه کاربری اش، بستر بسیار مناسبی جهت فعالیت های یادگیری ماشین را فراهم کرده است.
سرفصل های دوره آموزشی Udemy Machine Learning with Python for Dummies: The Complete Guide:
- بازبینی دوره و فهرست مطالب
- مقدمه ای بر یادگیری ماشین – قسمت ۱ – مفاهیم، تعاریف و انواع
- مقدمه در یادگیری ماشین – قسمت ۲ – طبقه بندی و برنامه های کاربردی
- تهیه سیستم و محیط زیست – قسمت ۱
- تهیه سیستم و محیط زیست – قسمت ۲
- یادگیری پایه های پایتون – تخصیص
- مبانی پایتون را یاد بگیرید – کنترل جریان
- یادگیری پایه های پایتون – توابع
- یادگیری مبانی پایتون – ساختار داده
- مبانی NumPy را بیاموزید – Array NumPy
- مبانی NumPy را یاد بگیرید – NumPy Data
- مبانی NumPy را بیاموزید – محاسبات NumPy
- مبانی Matplotlib را یاد بگیرید
- یادگیری مبانی پانداها – قسمت ۱
- یادگیری مبانی پانداها – قسمت ۲
- درک فایل داده CSV
- بارگذاری و خواندن فایل داده CSV با استفاده از کتابخانه استاندارد پایتون
- بارگذاری و خواندن فایل داده CSV با استفاده از NumPy
- بارگذاری و خواندن فایل داده CSV با استفاده از پانداها
- خلاصه داده های مجموعه – Peek، ابعاد و انواع داده ها
- خلاصه مجموعه داده – توزیع کلاس و خلاصه داده ها
- خلاصه مجموعه داده – توضیح همبستگی
- خلاصه مجموعه داده – توضیح Skewness – گاوسی و منحنی عادی
- تجسم داده های مجموعه – با استفاده از هیستوگرام ها
- تجسم داده ها با استفاده از نمودارهای تراکم
- تجسم داده های دیجیتال – توطئه های جعبه و عصا
- تجسم داده های چند متغیره – نقشه های همبستگی
- تجسم مجموعه داده های چند متغیره – اسکناس های پراکنده
- آماده سازی داده ها (پیش پردازش) – مقدمه
- تهیه داده ها – اطلاعات مجدد پوسته پوسته شدن – قسمت ۱
- تهیه داده ها – اطلاعات مجدد پوسته شدن – قسمت ۲
- تهیه داده ها – استاندارد سازی داده ها – قسمت ۱
- تهیه داده ها – استاندارد سازی داده ها – قسمت ۲
- تهیه داده ها – نرمال کردن داده ها
- تهیه داده ها – اطلاعات باینری
- انتخاب ویژگی – مقدمه
- انتخاب ویژگی – Uni-variate Part 1 – آزمون Chi-squared
- انتخاب ویژگی – Uni-variate Part 2 – آزمون Chi-squared
- انتخاب ویژگی – حذف ویژگی های بازگشتی
- انتخاب ویژگی – تجزیه و تحلیل مولفه اصلی (PCA)
- انتخاب ویژگی – اهمیت ویژگی
- جلسه تمرین – مکانیسم نمونه برداری مجدد، آموزش و تست
- تکنیک های ارزیابی الگوریتم – مقدمه
- تکنیک های ارزیابی الگوریتم – قطار و تست مجموعه
- تکنیک های ارزیابی الگوریتم – اعتبار صلیب K-Fold
- تکنیک های ارزیابی الگوریتم – ترک تایید صلیب
- تکنیک های ارزیابی الگوریتم – تقسیم تست قطار تصادفی تکرار می شود
- معیار ارزیابی الگوریتم – مقدمه
- الگوریتم معیارهای ارزیابی – دقت طبقه بندی
- الگوریتم معیارهای ارزیابی – ورود به از دست دادن
- الگوریتم معیار ارزیابی – منطقه تحت منحنی ROC
- الگوریتم معیارهای ارزیابی – ماتریس اختلال
- الگوریتم معیارهای ارزیابی – گزارش طبقه بندی
- الگوریتم معیارهای ارزیابی – میانگین خطای مطلق – معرفی مجموعه داده ها
- معیارهای ارزیابی الگوریتم – میانگین خطا مطلق
- معیارهای ارزیابی الگوریتم – خطای میدان متوسط
- الگوریتم معیارهای ارزیابی – R مربع
- بررسی الگوریتم طبقه بندی – رگرسیون لجستیک
- الگوریتم طبقه بندی بررسی نقطه – تجزیه و تحلیل خطی خطی
- طبقه بندی الگوریتم بررسی نقطه – K نزدیکترین همسایگان
- الگوریتم طبقه بندی بررسی نقطه – Bayes نایاب
- طبقه بندی الگوریتم بررسی نقطه – CART
- الگوریتم طبقه بندی بررسی نقطه – پشتیبانی از ماشین های بردار
- الگوریتم رگرسیون نقطه بررسی – رگرسیون خطی
- الگوریتم رگرسیون نقطه بررسی – رگه رج
- رگرسیون الگوریتم رگرسیون خطی – رگرسیون خطی LASSO
- رگرسیون الگوریتم Check Spot – رگرسیون خالص خالص
- بررسی الگوریتم رگرسیون – K-نزدیکترین همسایگان
- الگوریتم رگرسیون بررسی نقطه – CART
- رگرسیون الگوریتم Check Spot – پشتیبانی از ماشین های بردار (SVM)
- مقایسه الگوریتم ها – قسمت ۱: انتخاب بهترین مدل یادگیری ماشین
- مقایسه الگوریتم ها – قسمت ۲: انتخاب بهترین مدل یادگیری ماشین
- خطوط لوله: آماده سازی داده ها و مدل سازی داده ها
- خطوط لوله: انتخاب ویژگی ها و مدل سازی داده ها
- بهبود عملکرد: جلسه – رای دادن
- بهبود عملکرد: گروهها – بسته بندی
- بهبود عملکرد: گروهها – ارتقاء
- بهبود عملکرد: تنظیم پارامتر با استفاده از Grid Search
- بهبود عملکرد: تنظیم پارامتر با استفاده از جستجوی تصادفی
- صادرات، صرفه جویی و بار ماشین مدل های یادگیری: ترشی
- صادرات، ذخیره و بارگذاری مدل های آموزشی ماشین: Joblib
- نهایی شدن مدل – مقدمه و مراحل
- نهایی کردن یک مدل طبقه بندی – مجموعه داده های دیابت پیمای هندی
- جلسه سریع: مجموعه داده های نامتعادل – بررسی اجمالی و مراحل
- مجموعه داده های Iris: نهایی مجموعه داده های چند کلاس
- نهایی شدن یک مدل رگرسیون – مجموعه داده های قیمت مسکن بوستون
- پیش بینی های زمان واقعی: با استفاده از مدل طبقه بندی دیابت پیمای هندی
- پیش بینی های زمان واقعی: با استفاده از Iris Flowers مجموعه طبقه بندی چند طبقه ای
- پیش بینی های زمان واقعی: با استفاده از مدل رگرسیون مسکن بوستون
فوق العاده بود. باز هم ادامه بدید با دوره های متنوع تر