دوره کامل یادگیری ماشین با پایتون

آیا شما هرگز خواسته اید که یک دانشمند علوم داده باشید تا بتوانید پروژه های مربوط به یادگیری ماشین را برای حل مسائل زندگی واقعی ایجاد کنید؟ اگر پاسخ شما مثبت است، پس این دوره برای شما مناسب است.

شما از الگوریتم های یادگیری ماشین برای طبقه بندی گل ها، پیش بینی قیمت خانه، شناسایی دست خط ها یا ارقام، شناسایی کارکنان که احتمالا بصورت غیر منتظره شرکت را ترک می کنند، تشخیص سلول های سرطانی و موارد بیشتر دیگر استفاده می کنید.

در طول دوره شما مطالب ذیل را خواهید آموخت:

تنظیم صحیح محیط توسعه پایتون دستیابی کامل به مجموعه ابزارهای یادگیری ماشین برای حل اغلب مسائل مربوط به دنیای واقعی درک رگرسیون های مختلف، طبقه بندی و سایر الگوریتم های یادگیری ماشین مانند: الگوریتم R-squared، الگوریتم MSE، دقت، ماتریس در هم ریختگی (confusion matrix)، پیش بینی، فراخوانی و غیره و زمان استفاده از آنها. ترکیب دل های چند گانه با استفاده از روش دسته بندی (bagging)، روش تقویتی (boosting) یا روش پشته ای (stacking) ترکیب کنید. استفاده از الگوریتم های یادگیری ماشین (ML) بدون ناظر مانند خوشه بندی سلسله مراتبی (Hierarchical Clustering)، خوشه بندی k-means و غیره برای درک اطلاعات شما توسعه در Jupyter notebook (IPython)، Spyder و IDE های مختلف ایجاد ارتباط بصری و کارامد به کمک Matplotlib و Seaborn ویژگی های جدید مهندسی برای بهبود الگوریتم های پیش بینی استفاده از روش‌های اعتبار سنجی مانند آموزش / آزمون، روش اعتبار سنجی K-Fold و پروسه تعیین اعتبار Stratified K-fold cross-validation برای انتخاب مدل صحیح و تخمین مدل اجرایی برای داده های دیده نشده استفاده از SVM برای تشخیص دست خط و مشکلات طبقه بندی به طور کلی استفاده از درخت های تصمیم گیری برای پیش بینی فرسایش کارکنان اعمال قانون وابستگی (association rule learning) به داده های خرده فروشی

با به پایان رساندن این دوره، شما یک نمونه کار از تعداد ۱۲ پروژه یادگیری ماشین خواهید داشت، که به شما کمک می کند شغل مناسب و رویایی خودتان را پیدا کنید و یا شما را قادر می سازد که مشکلات واقعی در تجارت، شغلی یا زندگی شخصی خود را با الگوریتم های یادگیری ماشین حل کنید.

سبک و رهیافت دوره

در این دوره شما از سطح مبتدی به سطح بسیار پیشرفته خواهید رفت و مدرس هر یک از الگوریتم ها را بصورت گام به گام، همراه با شما و بر روی صفحه نمایش خواهد ساخت.

مباحث دوره:

معرفی دوره مباحث پوشش داده شده در دوره شروع کار با Anaconda دانلود و نصب Anaconda بر روی سیستم عامل ویندوز مدیریت محیط کاری بر روی سیستم عامل ویندوز بررسی رابط کاربری Spyder، Jupyter Notebook دانلود مجموعه داده های IRIS تجزیه و تحلیل و اکتشاف داده ها ارائه داده های شما رگرسیون شاخه های یادگیری ماشین کار با Scikit-Learn اطلاعات مسکن بوستون – آنالیز اکتشافی داده (EDA) تجزیه و تحلیل همبستگی و انتخاب ویژگی مدل سازی رگرسیون خطی ساده با داده های مسکن بوستون رگرسیون باثبات Robust Regression ارزیابی عملکرد مدل رگرسیون چندگانه با statsmodel رگرسیون چندگانه و اهمیت ویژگی کمترین مربعات عادی رگرسیون کمترین مربعات عادی (Ordinary Least Squares) و کاهش گرادیان (Gradient descent) روش منظم برای رگرسیون رگرسیون چند جمله ای کار با همبستگی غیر خطی اهمیت ویژگی بازبینی پیش پردازش داده ها (Data Pre-Processing ) اعتبار سنجی متقابل (Cross Validation) سبک سنگین کردن بایاس واریانس – منحنی تایید سبک سنگین کردن بایاس واریانس – منحنی یادگیری طبقه بندی (Classification) رگرسیون لجستیک (Logistic Regression) پروژه MNIST – مقدمه پروژه MNIST – طبقه بندی SGD پروژه MNIST – معیارهای عملکرد پروژه MNIST – ماتریس درهم ‌ریختگی، دقت، بازیافت و امتیاز اف ۱ پروژه MNIST – سبک و سنگین کردن دقت و بازیافت پروژه MNIST – منحنی مشخصه عملکرد ROC ماشین بردار پشتیبانی (Support vector machines – SVMs) طبقه بندی ماشین بردار پشتیبانی خطی تابع کرنل چند جملهای تابع پایه شعاع گاوسی Radial Basis Function رگرسیون بردار پشتیبانی مزایا و معایب SVM درخت درخت تصمیم گیری چیست؟ آموزش درخت تصمیم گیری مصور سازی یک درخت تصمیم گیری الگوریتم یادگیری درخت تصمیم گیری تصمیم گیری درخت رگرسیون جستجوی Overfitting و Grid پروژه HR – داده های بارگیری و پیش پردازش پروژه HR – مدل سازی یاد گیری تجمعی ماشین Ensemble Machine Learning الگوریتم Bagging مدل طبقه بندی Extra-Trees الگوریتم AdaBoost ماشین گرادیان تقویتی کتابخانه XGBoost پروژه منابع انسانی – تجزیه و تحلیل منابع انسانی روش Ensemble of ensembles الگوریتم نزدیکترین همسایه KNN پروژه تشخیص سرطان کاهش ابعاد Dimensionality Reduction تحلیل مؤلفه‌ های اصلی (Principal Component Analysis – PCA) یادگیری بدون ناظر: خوشه بندی Clustering خوشه‌ بندی کی-میانگین (k-means clustering) روش Elbow تحلیل معیار نیم ‌رخ Silhouette انتقال میانگین (mean shift)

The Complete Machine Learning Course with Python [Video] Publisher:Packtpub Author:Anthony NG Duration:18 hours 22 minutes

Build a Portfolio of 12 Machine Learning Projects with Python, SVM, Regression, Unsupervised Machine Learning More!
Do you ever want to be a data scientist and build Machine Learning projects that can solve real-life problems? If yes, then this course is perfect for you.
You will train machine learning algorithms to classify flowers, predict house price, identify handwritings or digits, identify staff that is most likely to leave prematurely, detect cancer cells and much more!
Inside the course, you’ll learn how to:
Set up a Python development environment correctly
Gain complete machine learning toolsets to tackle most real-world problems
Understand the various regression, classification and other ml algorithms performance metrics such as R-squared, MSE, accuracy, confusion matrix, prevision, recall, etc. and when to use them.
Combine multiple models with by bagging, boosting or stacking
Make use to unsupervised Machine Learning (ML) algorithms such as Hierarchical clustering, k-means clustering etc. to understand your data
Develop in Jupyter (IPython) notebook, Spyder and various IDE
Communicate visually and effectively with Matplotlib and Seaborn
Engineer new features to improve algorithm predictions
Make use of train/test, K-fold and Stratified K-fold cross-validation to select the correct model and predict model perform with unseen data
Use SVM for handwriting recognition, and classification problems in general
Use decision trees to predict staff attrition
Apply the association rule to retail shopping datasets
And much more!
By the end of this course, you will have a Portfolio of 12 Machine Learning projects that will help you land your dream job or enable you to solve real-life problems in your business, job or personal life with Machine Learning algorithms.
Style and Approach
You’ll go from beginner to extremely high-level and your instructor will build each algorithm with you step by step on screen.
Released: Monday, October 29, 2018
Introduction
What Does the Course Cover?
Getting Started with Anaconda
[Windows OS] Downloading Installing Anaconda
[Windows OS] Managing Environment
Navigating the Spyder Jupyter Notebook Interface
Downloading the IRIS Datasets
Data Exploration and Analysis
Presenting Your Data
Regression
Introduction
Categories of Machine Learning
Working with Scikit-Learn
Boston Housing Data – EDA
Correlation Analysis and Feature Selection
Simple Linear Regression Modelling with Boston Housing Data
Robust Regression
Evaluate Model Performance
Multiple Regression with statsmodel
Multiple Regression and Feature Importance
Ordinary Least Square Regression and Gradient Descent
Regularised Method for Regression
Polynomial Regression
Dealing with Non-linear relationships
Feature Importance Revisited
Data Pre-Processing 1
Data Pre-Processing 2
Variance Bias Trade Off – Validation Curve
Variance Bias Trade Off – Learning Curve
Cross Validation
Classification
Introduction
Support Vector Machine (SVM) Concepts
Linear SVM Classification
Polynomial Kernel
Gaussian Radial Basis Function
Support Vector Regression
MNIST Project 4 – Confusion Matrix, Precision, Recall and F1 Score
MNIST Project 5 – Precision and Recall Tradeoff
Advantages and Disadvantages of SVM
Support Vector Machine (SVM)
Introduction
Support Vector Machine (SVM) Concepts
Linear SVM Classification
Polynomial Kernel
Gaussian Radial Basis Function
Support Vector Regression
Advantages and Disadvantages of SVM
Tree
Introduction
What is Decision Tree
Training a Decision Tree
Visualising a Decision Trees
Decision Tree Learning Algorithm
Decision Tree Regression
Overfitting and Grid Search
Where to From Here
Project HR – Loading and preprocesing data
Project HR – Modelling
Ensemble Machine Learning
Introduction
Ensemble Learning Methods Introduction
Bagging Part 1
Bagging Part 2
Random Forests
Extra-Trees
AdaBoost
Gradient Boosting Machine
XGBoost
Project HR – Human Resources Analytics
Ensemble of ensembles Part 1
Ensemble of ensembles Part 2
k-Nearest Neighbours (kNN)
kNN Introduction
kNN Concepts
kNN and Iris Dataset Demo
Distance Metric
Project Cancer Detection Part 1
Project Cancer Detection Part 2
Dimensionality Reduction
Introduction
Dimensionality Reduction Concept
PCA Introduction
Dimensionality Reduction Demo
Project Wine 1: Dimensionality Reduction with PCA
Project Wine 2: Choosing the Number of Components
Kernel PCA
Kernel PCA Demo
LDA Comparison between LDA and PCA
Unsupervised Learning: Clustering
Introduction
Clustering Concepts
MLextend
Ward’s Agglomerative Hierarchical Clustering
Truncating Dendrogram
k-Means Clustering
Elbow Method
Silhouette Analysis
Mean Shift

منبع