Course catalog

Course duration

Course provider

Topic

Categories

Showing 241-248 of 248 items.

linkedin یادگیری ماشین با پایتون: مبانی (Mitalearn-218192)

  • 1 hours 54 minutes
  • مناسب همه
  • Update date: 21 June 2026
  • Author: Frederick Nwanganga
درباره این دوره:

احتمالاً قبلاً در مورد یادگیری ماشینی شنیده اید، اما آیا تا به حال فکر کرده اید که این اصطلاح واقعاً به چه معناست؟ یک ماشین چگونه یاد می گیرد؟ آیا به ساخت یک مدل یادگیری ماشین فکر کرده اید، اما نمی دانید از کجا شروع کنید؟n فردریک دقیقاً با معنای یادگیری ماشین‌ها و روش‌های مختلف یادگیری آنها شروع می‌کند، سپس به نحوه جمع‌آوری، درک و آماده‌سازی داده‌ها برای یادگیری ماشین می‌پردازد. او همچنین مثال‌های راهنمایی از نحوه انجام هر مرحله با استفاده از پایتون ارائه می‌دهد. در نهایت، او همه آن‌ها را برای ساخت، ارزیابی و تفسیر نتایج یک مدل یادگیری ماشین در پایتون گرد هم می‌آورد.

linkedin یادگیری ماشین کاربردی: مبانی (Mitalearn-152674)

  • 2 hours 38 minutes
  • مبتدی
  • Release date: 26 July 2026
  • Author: Derek Jedamski
درباره این دوره:

هر کسی که بتواند پایتون پایه بنویسد، می‌تواند یک مدل یادگیری ماشینی ساده را بر روی یک مجموعه داده تمیز قرار دهد. مزیت رقابتی در توانایی شخصی سازی و بهینه سازی آن مدل ها برای مشکلات خاص است. گردش کار مورد استفاده برای ساخت مدل‌های یادگیری ماشین مؤثر و روش‌های مورد استفاده برای بهینه‌سازی آن مدل‌ها معمولاً الگوریتم یا مشکل خاصی نیستند. در این دوره، اولین قسمت از مجموعه دو قسمتی یادگیری ماشین کاربردی، مدرس درک جدامسکی به مبانی یادگیری ماشین، از تجزیه و تحلیل داده‌های اکتشافی گرفته تا ارزیابی یک مدل برای اطمینان از تعمیم آن به نمونه‌های دیده نشده، می‌پردازد. درک به جای استفاده از هر الگوریتم یادگیری ماشینی خاص، بر ارائه ابزارهایی برای حل موثر تقریباً هر نوع مشکل یادگیری ماشینی تمرکز می کند.

linkedin یادگیری ماشین کاربردی: مهندسی ویژگی (2020) (Mitalearn-227593)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 10 August 2020
  • Author: Derek Jedamski
درباره این دوره:

کیفیت پیش‌بینی‌هایی که از مدل یادگیری ماشین شما به دست می‌آید بازتاب مستقیم داده‌هایی است که در طول آموزش به آن‌ها می‌دهید. مهندسی ویژگی به شما کمک می کند تا آخرین بیت ارزش را از داده ها استخراج کنید. این دوره ابزارهایی را برای گرفتن مجموعه داده، حذف سیگنال و حذف نویز به منظور بهینه سازی مدل های خود ارائه می دهد. این مفاهیم تقریباً به هر نوع الگوریتم یادگیری ماشینی تعمیم می یابد. مدرس درک جدامسکی در مورد اصول یادگیری ماشین و مقدمه ای کامل برای مهندسی ویژگی ها تجدید نظر می کند. او ویژگی های پیوسته و طبقه بندی شده را بررسی می کند و نحوه تمیز کردن، عادی سازی و تغییر آنها را نشان می دهد. بیاموزید که چگونه مقادیر از دست رفته را آدرس‌دهی کنید، نقاط پرت را حذف کنید، داده‌ها را تبدیل کنید، شاخص‌ها ایجاد کنید و ویژگی‌ها را تبدیل کنید. در فصل‌های پایانی، درک نحوه آماده‌سازی ویژگی‌ها برای مدل‌سازی را توضیح می‌دهد و چهار تغییر را برای مقایسه ارائه می‌دهد، بنابراین می‌توانید تأثیر تمیز کردن، تبدیل و ایجاد ویژگی‌ها را از طریق لنز عملکرد مدل ارزیابی کنید.

linkedin یادگیری ماشین و آمار در پایتون (Mitalearn-435656)

  • 1 hours 18 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Milan Janosov, Ph.D.
درباره این دوره:

در این دوره ، میلان جانوسوف ، متخصص شناخته شده در سطح جهانی ، مقدمه ای را برای تقاطع یادگیری ماشین و تجزیه و تحلیل فضایی ، پوشش مفاهیم اصلی ، چالش ها و برنامه های دنیای واقعی فراهم می کند. در مورد اصول آمار مکانی ، از جمله همبستگی مکانی و درون یابی ، با استفاده از کتابخانه های پایتون مانند ژئوپاندا بیاموزید. به تکنیک های یادگیری ماشین بدون نظارت ، مانند تجزیه و تحلیل کانون ، K-Means و خوشه بندی DBSCAN شیرجه بزنید و این تکنیک ها را در داده های جغرافیایی اعمال کنید. روشهای یادگیری نظارت شده ، از جمله مهندسی ویژگی های مکانی ، مدل های رگرسیون و جنگل های تصادفی مکانی را برای تجزیه و تحلیل پیش بینی ، کاوش کنید و مرحله ای را برای اکتشافات بیشتر تعیین کنید. این دوره به شما مهارت هایی را برای انجام تجزیه و تحلیل آماری پیشرفته و اجرای وظایف یادگیری ماشین بر روی داده های مکانی می آموزد.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: برآورد ارزش (Mitalearn-107369)

  • 1 hours 4 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: Adam Geitgey
درباره این دوره:

تخمین ارزش - یکی از رایج ترین انواع الگوریتم های یادگیری ماشین - می تواند به طور خودکار مقادیر را با مشاهده اطلاعات مرتبط تخمین بزند. به عنوان مثال، یک وب سایت می تواند بر اساس موقعیت و ویژگی های ملک، ارزش یک خانه را تعیین کند. در این دوره مبتنی بر پروژه، نحوه استفاده از یادگیری ماشین را برای ساختن یک سیستم تخمین ارزش که می تواند ارزش یک خانه را استنتاج کند، کشف کنید. آدام گیتگی را دنبال کنید تا در مورد نحوه استفاده از داده های نمونه برای ساختن یک مدل یادگیری ماشینی صحبت کند و سپس از آن مدل در برنامه های خود استفاده کنید. اگرچه پروژه ارائه شده در این دوره بر روی املاک و مستغلات تمرکز دارد، شما می توانید از همین رویکرد برای حل هر نوع مشکل تخمین ارزش با یادگیری ماشین استفاده کنید.

linkedin یادگیری ماشین و مبانی هوش مصنوعی: توصیه‌ها (Mitalearn-110072)

  • 58 minutes
  • متوسط
  • Release date: 25 July 2026
  • Author: Adam Geitgey
درباره این دوره:

این دوره مبتنی بر پروژه به برنامه نویسان در تمام سطوح مهارت نشان می دهد که چگونه از یادگیری ماشین برای ساخت برنامه هایی استفاده کنند که می توانند توصیه هایی را ارائه دهند. در این دوره، آدام گیتگی شما را در یک آزمایشگاه عملی راهنمایی می کند که یک سیستم توصیه می سازد که می تواند محصولات مشابه را بر اساس محصولات قبلی که آنها بررسی یا خریداری کرده اند به مشتریان پیشنهاد دهد. این سیستم همچنین می تواند تشخیص دهد که کدام محصولات مشابه یکدیگر هستند.\r\n\r\n این سیستم ها با کمک به مشتریان در کشف محصولات و خدماتی که ممکن است هرگز خودشان را پیدا نکنند، به تعامل و فروش با مشتری کمک می کند. این دوره از ابزارهای رایگان و متن باز Python 3.5، pandas و numpy استفاده می کند. در پایان دوره، شما مجهز به استفاده از یادگیری ماشینی برای حل مشکلات توصیه می شوید. آنچه یاد می گیرید می تواند مستقیماً در پروژه های خود اعمال شود.

linkedin یادگیری مولدهای پایتون (2016) (Mitalearn-93004)

  • 44 minutes
  • متوسط
  • Release date: 13 September 2016
  • Author: Josh McQuiston
درباره این دوره:

ژنراتورها مفهومی منحصر به فرد برای پایتون هستند. اگر بدانید چگونه و چه زمانی از آنها استفاده کنید، فوق العاده مفید هستند. به بیان ساده، ژنراتورها بهترین راه برای تکرار از طریق مجموعه داده های بزرگ و پیچیده هستند. Pythonista Josh McQuiston هر آنچه را که باید در مورد ژنراتورهای Python بدانید را توضیح می دهد و نمونه هایی از ژنراتورهای در حال کار را ارائه می دهد. یاد بگیرید که چگونه یک تابع مولد اولیه بسازید، از عبارات و اشیاء مولد استفاده کنید، و ببینید که چگونه ژنراتورها در پشت صحنه کار می کنند تا مدیران زمینه و برنامه های مشترک را تقویت کنند.

linkedin یک پروژه منبع باز در پایتون ایجاد کنید (Mitalearn-382259)

  • 1 hours 24 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Cheuk Ting Ho
درباره این دوره:

برای پروژه های منبع باز، اطمینان از انسجام توسعه و جلوگیری از خطاها و اشکالات می تواند چالشی باشد. در این دوره، Cheuk Ting Ho، رهبر جامعه پایتون شما را از طریق فرآیند کامل شروع، ساخت، آزمایش و نگهداری یک پروژه منبع باز در پایتون راهنمایی می کند. Cheuk شما را با Poetry، یک ابزار مدیریت وابستگی محبوب آشنا می‌کند و به شما نشان می‌دهد که چگونه از آن در شروع یک پروژه پایتون استفاده کنید. او pytests را تعریف می‌کند و به نحوه نوشتن تست‌های ساده، تست با پارامترهای متعدد، و آزمایش اگر استثناء مطرح شود، می‌پردازد. Cheuk لوازم جانبی و نحوه استفاده از آنها را پوشش می دهد، و همچنین زمانی که رد شدن از یک آزمایش مشکلی ندارد. او در مورد استفاده از PEP 8، Black، linters مانند Flake8 بحث می کند و از قبل برای مرتب کردن کد شما تعهد می کند. Cheuk نحوه استفاده از ابزاری به نام tox را برای استاندارد کردن تست خود و همچنین نحوه تنظیم یک گردش کار در GitHub Action را نشان می دهد. به علاوه، او برخی از بهترین شیوه‌ها را برای پروژه‌های منبع باز برجسته می‌کند.

Suggestions