توضیحات

صفر تا صد یادگیری ماشین و علم داده با پایتون – دانلود Machine Learning, Data Science and Deep Learning with Python

نام دوره : Machine Learning, Data Science and Deep Learning with Python 

دوره در تاریخ 3/2024 به روز رسانی شد

کل دوره از ابتدا دانلود و آپلود شد

پیش نیاز:

• شما به یک رایانه رومیزی (ویندوز، مک یا لینوکس) نیاز دارید که بتواند Anaconda 3 را اجرا کند. این دوره شما را با نصب نرم افزارهای رایگان لازم راهنمایی می کند.
• مقداری تجربه کدنویسی یا اسکریپت نویسی مورد نیاز است.
• حداقل دانش ریاضی سطح دبیرستان مورد نیاز خواهد بود.

توضیحات:

جدید! به‌روزرسانی شده برای سال 2021 با محتوای اضافی در مدل‌های تولیدی: variational auto-encoders (VAE) و generative adversarial models (GAN)

یادگیری ماشین و هوش مصنوعی (AI) همه جا وجود دارد. اگر می خواهید بدانید شرکت هایی مانند گوگل، آمازون و حتی Udemy چگونه معنا و بینش را از مجموعه داده های عظیم استخراج می کنند، این دوره علم داده پایه را که نیاز دارید به شما ارائه می دهد.

دانشمندان داده از یکی از پردرآمدترین مشاغل برخوردارند که طبق گفته Glassdoor و Indeed، میانگین حقوق آنها 120000 دلار سالیانه است.

اگر تجربه برنامه نویسی یا اسکریپت نویسی دارید، دوره صفر تا صد یادگیری ماشین و علم داده با پایتون تکنیک های مورد استفاده توسط دانشمندان داده واقعی و متخصصان یادگیری ماشین در صنعت فناوری را به شما آموزش می دهد . و شما را برای حرکت به این مسیر شغلی مهیج آماده می کند.

این آموزش جامع یادگیری ماشینی شامل بیش از 100 قسمت آموزشی است که 15 ساعت ویدئو را شامل می شود و بیشتر موضوعات شامل نمونه های عملی کد پایتون است که می توانید برای مرجع و تمرین از آنها استفاده کنید.

من از تجربه 9 ساله خود در آمازون و IMDb استفاده خواهم کرد تا شما را در مورد آنچه مهم است و آنچه نیست راهنمایی کنم.

هر مفهوم به زبان انگلیسی ساده معرفی شده است، و از گیج شدن با نمادهای ریاضی و اصطلاحات تخصصی جلوگیری می شود.

سپس با استفاده از کد پایتون به شما آموزش داده می‌شود که می‌توانید با آن آزمایش کنید و روی آن بسازید، همراه با یادداشت‌هایی که می‌توانید برای مراجع بعدی نگه دارید.

در این دوره پوشش آکادمیک و عمق ریاضی این الگوریتم ها را نخواهید یافت. تمرکز بر درک عملی و کاربرد آنها است. در پایان، یک پروژه نهایی به شما داده می شود تا آنچه را که یاد گرفته اید به کار بگیرید!

موضوعات دوره صفر تا صد یادگیری ماشین و علم داده با پایتون از تجزیه و تحلیل الزامات واقعی در لیست های شغلی دانشمندان داده از بزرگترین کارفرمایان فناوری می آید.

ما تکنیک های یادگیری ماشینی، هوش مصنوعی و داده کاوی را که کارفرمایان واقعی به دنبال آن هستند، پوشش خواهیم داد.

از جمله:

• یادگیری عمیق / شبکه های عصبی (MLP، CNN، RNN) با TensorFlow و Keras
• ایجاد تصاویر مصنوعی با رمزگذارهای خودکار متغیر (VAE) و شبکه‌های متخاصم تولیدی (GAN)
• تجسم داده ها در پایتون با MatPlotLib و Seaborn
• آموزش انتقالی
• تحلیل احساسات
• تشخیص و طبقه بندی تصویر
• تجزیه و تحلیل رگرسیون
• K-Means Clustering
• تجزیه و تحلیل مؤلفه های اصلی
• آموزش/تست و اعتبارسنجی متقابل
• روش های بیزی
• درختان تصمیم و جنگل های تصادفی
• رگرسیون چندگانه
• مدل های چند سطحی
• ماشین‌های بردار پشتیبانی
• یادگیری تقویتی
• فیلتر مشارکتی
• K-نزدیکترین همسایه
• مبادله تعصب / واریانس
• آموزش گروهی
• فرکانس اصطلاح / فرکانس معکوس سند
• طراحی آزمایشی و آزمون های A/B
• مهندسی ویژگی
• تنظیم فراپارامتر
• …و خیلی بیشتر!

همچنین یک بخش کامل در مورد یادگیری ماشین با اسپارک Apache وجود دارد که به شما امکان می‌دهد این تکنیک‌ها را به «داده‌های بزرگ» تجزیه‌وتحلیل شده در یک خوشه محاسباتی ارتقا دهید.

اگر در پایتون تازه کار هستید، نگران نباشید . دوره با یک دوره سرعتی برای راه اندازی شما شروع می شود.

اگر برنامه نویسی هستید که به دنبال تغییر مسیر شغلی جدید و هیجان انگیز هستید، یا یک تحلیلگر داده هستید که به دنبال انتقال به صنعت فناوری است . دوره صفر تا صد یادگیری ماشین و علم داده با پایتون تکنیک های اساسی مورد استفاده توسط دانشمندان داده صنعت دنیای واقعی را به شما آموزش می دهد. اینها موضوعاتی هستند که هر تکنسین موفقی باید در مورد آنها بداند.

دوره صفر تا صد یادگیری ماشین و علم داده با پایتون برای چه کسانی است:

• توسعه دهندگان نرم افزار یا برنامه نویسانی که می خواهند به مسیر شغلی پرسود علم داده و یادگیری ماشین بروند، چیزهای زیادی از این دوره یاد خواهند گرفت.
• فن‌آوران کنجکاو که می خواهند بدانند یادگیری عمیق چگونه کار می‌کند
• تحلیلگران داده در امور مالی یا سایر صنایع غیرتکنولوژیکی که می خواهند به صنعت فناوری تبدیل شوند. می توانند از این دوره برای یادگیری نحوه تجزیه و تحلیل داده ها با استفاده از کد به جای ابزار استفاده کنند.

بخشی از دوره :