Course catalog

Course duration

Course provider

Topic

Categories

Showing 241-260 of 266 items.

linkedin نکات، ترفندها و تکنیک های بیشتر پایتون برای علم داده (Mitalearn-194069)

  • 2 hours 15 minutes
  • متوسط
  • Update date: 13 September 2024
  • Author: Harshit Tyagi
درباره این دوره:

قدرت و تطبیق پذیری پایتون - همراه با اکوسیستم بزرگ آن از بسته های شخص ثالث - آن را برای دانشمندان داده ضروری می کند. در این دوره، مدرس Harshit Tyagi نکات و تکنیک‌های عملی را به اشتراک می‌گذارد که می‌تواند به شما در بهبود گردش کار علم داده پایتون کمک کند. Harshit نحوه کار با نوت بوک های IPython از جمله نحوه اشکال زدایی خطاها را پوشش می دهد. او نحوه استفاده از NumPy را برای دستکاری آرایه ها و همچنین نحوه کار با پانداها، ابزار دستکاری و تجزیه و تحلیل داده ها را نشان می دهد. او نکاتی را برای تجسم داده‌های شما با Matplotlib ارائه می‌کند و نحوه اضافه کردن متن به نمودارها و حاشیه‌نویسی عناصر در نمودار را توضیح می‌دهد. به‌علاوه، بهترین روش‌ها را برای کار با scikit-learn و همچنین سایر نکات یادگیری ماشینی دریافت کنید.

linkedin نگاه اول: پایتون 3.9 (Mitalearn-221388)

  • 26 minutes
  • مناسب همه
  • Release date: 22 June 2026
  • Author: Claire Burn
درباره این دوره:

پایتون، مانند هر زبان مدرن، همیشه در حال تکامل است. در این دوره، مربی Claire Burn به پایتون 3.9 شیرجه می‌زند و ویژگی‌های جدید، پیشرفت‌ها و موارد منسوخ شده در این نسخه را برجسته می‌کند. در مورد پیشنهادهای قابل توجه بهبود پایتون (PEP) موجود در پایتون 3.9 و همچنین نحوه تشخیص اینکه کدام ماژول ها جدید هستند (و چرا قابل توجه هستند) بیاموزید. کشف کنید کدام ماژول‌ها منسوخ شده‌اند و چرا این کار ضروری بود. به علاوه، نکاتی را برای غلبه بر چالش های رایج هنگام انتقال از پایتون 2 به پایتون 3.9 یا پایتون 3.x به پایتون 3.9 دریافت کنید.

linkedin وبلاگ داده خود را با Quarto و Python ایجاد کنید (Mitalearn-454900)

  • 1 hours 54 minutes
  • مناسب همه
  • Release date: 25 November 2025
  • Author: Charlie Joey Hadley
درباره این دوره:

<p>وبلاگ های داده ابزارهای مهمی برای نشان دادن کار و نام تجاری شخصی شما هستند و به شما یک منبع خلاقانه برای به اشتراک گذاشتن علایق و علایق شما ارائه می دهند. اگر وبلاگ داده شما در مورد پایتون است (یا از آن استفاده می کند)، پس باید کد و خروجی پایتون را اضافه کنید – اما این می تواند برای اکثر پلتفرم های وبلاگ نویسی دردسرساز باشد! اینجاست که Quarto وارد می شود.</p> <p>Quarto یک کیت ابزار گزارش‌دهی علم داده کامل است که به شما امکان می‌دهد اسناد را با پایتون ایجاد کنید. اما Quarto فقط ویکی‌ها، اسناد و گزارش‌ها را فعال نمی‌کند. همچنین می‌توانید از طریق Quarto یک وبلاگ داده با ویژگی‌های کامل بسازید و اجرا کنید و از طریق صفحات GitHub (یا موارد جایگزین) آزادانه در وب منتشر کنید. در این دوره، مشاور داده و مدافع چارلی هدلی همه چیزهایی را که برای پیشبرد وبلاگ دیتای خود نیاز دارید، پوشش می دهد. یاد بگیرید که چگونه پست های بلاگ داده های غنی ایجاد کنید، وبلاگ داده های خود را سفارشی و زیبا کنید، صفحات غنی ایجاد کنید که بتوانید به پیمایش خود اضافه کنید و وبلاگ خود را با Netlify و GitHub منتشر کنید. چارلی همچنین نحوه طراحی کارت های اجتماعی برای پست های خود را برای اشتراک گذاری در لینکدین و سایر شبکه ها توضیح می دهد. به‌علاوه، نکاتی در مورد مدیریت انتظارات، اجتناب از کمال‌گرایی، و یافتن موضوعاتی برای پست‌های منظم دریافت کنید.</p><p>این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه تنظیمات ماشین محلی ارائه می‌کند، یکپارچه شده است. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع به کار، «چگونه یک وبلاگ با GitHub Codespaces بسازیم» را با این دوره بررسی کنید.</p>

linkedin یادگیری پایتون (Mitalearn-273544)

  • 3 hours 5 minutes
  • مناسب همه
  • Update date: 14 September 2023
  • Author: Joe Marini
درباره این دوره: 

 پایتون – زبان شی گرا محبوب و بسیار خوانا – هم قدرتمند است و هم یادگیری آن نسبتاً آسان است. چه در برنامه نویسی تازه کار باشید و چه یک توسعه دهنده با تجربه، این دوره می تواند به شما در شروع کار با پایتون کمک کند. جو مارینی یک نمای کلی از فرآیند نصب، نحو اصلی پایتون و نمونه ای از نحوه ساخت و اجرای یک برنامه ساده پایتون ارائه می دهد. یاد بگیرید که با تاریخ و زمان کار کنید، فایل‌ها را بخوانید و بنویسید، و داده‌های HTML، JSON و XML را از وب بازیابی و تجزیه کنید.

linkedin یادگیری پایتون (2020) (Mitalearn-135555)

  • 2 hours 27 minutes
  • مبتدی
  • Update date: 25 July 2026
  • Author: Joe Marini
درباره این دوره:

Python - زبان شی گرا محبوب و بسیار خوانا - هم قدرتمند است و هم یادگیری آن نسبتاً آسان است. چه در برنامه نویسی تازه کار باشید و چه یک توسعه دهنده با تجربه، این دوره می تواند به شما در شروع کار با پایتون کمک کند. جو مارینی یک نمای کلی از فرآیند نصب، سینتکس پایه پایتون و نمونه ای از نحوه ساخت و اجرای یک برنامه ساده پایتون را ارائه می دهد. یاد بگیرید که با تاریخ و زمان کار کنید، فایل‌ها را بخوانید و بنویسید، و داده‌های HTML، JSON و XML را از وب بازیابی و تجزیه کنید.

linkedin یادگیری پیتون (Mitalearn-426646)

  • 3 hours 41 minutes
  • مناسب همه
  • Release date: 21 June 2026
  • Author: Joe Marini
درباره این دوره:

پایتون-زبان محبوب و بسیار قابل خواندن شیء گرا-یادگیری قدرتمند و نسبتاً آسان است. این که آیا شما در برنامه نویسی تازه کار هستید یا یک توسعه دهنده با تجربه ، این دوره می تواند به شما در شروع کار با پایتون کمک کند. جو مارینی مروری بر فرآیند نصب ، نحو اساسی پایتون و نمونه ای از نحوه ساخت و اجرای یک برنامه ساده پایتون ارائه می دهد. یاد بگیرید که با تاریخ و زمان کار کنید ، پرونده ها را بخوانید و بنویسید ، و داده های JSON و XML را از وب بازیابی و تجزیه کنید.

این دوره شامل چالش های کد است که توسط CoderPad تهیه شده است. چالش های کد تمرینات برنامه نویسی تعاملی با بازخورد در زمان واقعی است ، بنابراین می توانید برای پیشبرد مهارت های برنامه نویسی خود ، در کنار محتوای دوره ، تمرین کدگذاری دستی را انجام دهید.

linkedin یادگیری جنگو (Mitalearn-179058)

  • 1 hours 40 minutes
  • مبتدی
  • Release date: 23 April 2020
  • Author: Caleb Smith
درباره این دوره:

با جنگو، می‌توانید برنامه‌های تحت وب را در عرض چند ساعت از مفهومی به راه‌اندازی ببرید. این یک چارچوب رایگان و منبع باز است که در بالای پایتون طراحی شده است و از معماری داده محور پشتیبانی می کند. در این دوره آموزشی، آنچه را که برای راه اندازی و اجرا با جنگو باید بدانید را بیاموزید. مربی Caleb Smith با ایجاد یک پروژه جنگو کاملاً جدید، یک مدل داده و فیلدها را تعریف می کند، از پایگاه داده پرس و جو می کند، و از کنترل کننده ها، نماها و قالب های URL داخلی چارچوب برای ساختار دادن بقیه قسمت های پشتی استفاده می کند. به علاوه، یاد بگیرید که چگونه CSS و جاوا اسکریپت را برای بهبود سبک و قابلیت استفاده از قالب های جنگو خود ترکیب کنید.

linkedin یادگیری عمیق با پایتون: بهینه سازی مدل های یادگیری عمیق (Mitalearn-443578)

  • 2 hours 1 minutes
  • مناسب همه
  • Release date: 25 July 2026
  • Author: Frederick Nwanganga
درباره این دوره:

تکنیک هایی را برای بهینه سازی مدل های یادگیری عمیق با بهبود عملکرد و کارایی آنها کشف کنید. مربی فردریک نوانگانگا با تأکید بر کاربردهای عملی، شما را از طریق تمرین‌های کدنویسی عملی راهنمایی می‌کند، موارد ضروری پیش‌پردازش و تقویت داده‌ها، روش‌های منظم‌سازی برای به حداقل رساندن بیش‌برازش، الگوریتم‌های بهینه‌سازی، روش‌های پیشرفته تنظیم فراپارامتر، و موارد دیگر را پوشش می‌دهد.

این دوره با محیط‌های مورد علاقه‌تان در GitHub Codespa یکپارچه شده است. IDE بدون نیاز به هر گونه راه اندازی ماشین محلی با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای آشنایی با نحوه شروع کار، «استفاده از فضاهای کد GitHub» را با این دوره بررسی کنید.

linkedin یادگیری عمیق با پایتون: شبکه های عصبی حلقوی (Mitalearn-417551)

  • 1 hours 34 minutes
  • مناسب همه
  • Release date: 20 June 2025
  • Author: Frederick Nwanganga
درباره این دوره: 

 

دنیای جذاب شبکه های عصبی حلقوی (CNN) را کشف کنید و کشف کنید که چگونه آنها در زمینه دید رایانه و یادگیری عمیق انقلابی ایجاد کرده اند. بلوک های ساختمانی CNN ها را درک کرده و با استفاده از پایتون ، با تمرکز بر روی برنامه های دنیای واقعی مانند طبقه بندی تصویر ، تشخیص شی و تقسیم تصویر ، به تمرینات عملی بپردازید. مربی فرد Nwanganga به شما کمک می کند تا در طراحی ، اجرای و بهینه سازی مدل های CNN مهارت لازم را داشته باشید. درک خود را از معماری های پیشرفته مانند VGG NET ، RESNET و کارآمد ، تقویت کنید و نحوه استفاده از مدلهای پیش ساخته را برای دقت و کارآیی افزایش دهید. این دوره که برای دانشمندان داده ، علاقه مندان به یادگیری ماشین و توسعه دهندگان با درک بنیادی از یادگیری عمیق و مهارت های برنامه نویسی پایتون طراحی شده است ، این دوره به شما کمک می کند تا تکنیک های پیشرفته یادگیری ماشین را باز کنید. با استفاده از Codepaces GitHub ، می توانید از هر دستگاه ، در هر زمان ، همه در حالی که از ابزاری استفاده می کنید که احتمالاً در محل کار با آن روبرو خواهید شد ، استفاده کنید. برای یادگیری نحوه شروع کار "استفاده از Codespaces GitHub" را با این دوره بررسی کنید.


linkedin یادگیری عمیق: تشخیص تصویر (Mitalearn-128024)

  • 1 hours 43 minutes
  • متوسط
  • Update date: 25 July 2026
  • Author: Adam Geitgey
درباره این دوره:

به لطف یادگیری عمیق، سیستم‌های تشخیص تصویر بهبود یافته‌اند و اکنون برای همه چیز از جستجو در کتابخانه‌های عکس گرفته تا تولید توضیحات مبتنی بر متن از عکس‌ها استفاده می‌شوند. در این دوره آموزشی یاد بگیرید که چگونه یک شبکه عصبی عمیق بسازید که بتواند اشیاء را در عکس ها تشخیص دهد. بیاموزید که چگونه شبکه های عصبی عمیق را برای تشخیص اشیاء جدید تنظیم کنید، بدون اینکه نیازی به آموزش مجدد شبکه باشد. API های تشخیص تصویر مبتنی بر ابر را که می توانید به عنوان جایگزینی برای ساختن سیستم های خود استفاده کنید، کاوش کنید. مراحل مربوط به شروع ساخت و استقرار سیستم تشخیص تصویر خود را بیاموزید.

linkedin یادگیری عمیق: تشخیص چهره (Mitalearn-128007)

  • 1 hours 25 minutes
  • متوسط
  • Release date: 21 June 2026
  • Author: Adam Geitgey
درباره این دوره:

تشخیص چهره برای همه چیز از برچسب گذاری خودکار تصاویر گرفته تا باز کردن قفل تلفن های همراه استفاده می شود. و با پیشرفت های اخیر در یادگیری عمیق، دقت تشخیص چهره بهبود یافته است. در این دوره آموزشی، یاد بگیرید که چگونه یک سیستم تشخیص چهره ایجاد کنید که می تواند چهره ها را در تصاویر تشخیص دهد، چهره ها را شناسایی کند، و حتی چهره ها را با آرایش دیجیتال تغییر دهد، همانطور که در برنامه های محبوب تلفن همراه تجربه کرده اید. نحوه راه اندازی یک محیط توسعه را بیابید. ابزارهایی را که می توانید برای تشخیص چهره استفاده کنید، کشف کنید. ببینید چگونه می توان یک مدل یادگیری ماشینی را برای تجزیه و تحلیل تصاویر و شناسایی نشانه های چهره آموزش داد. مراحل مربوط به کدگذاری تشخیص ویژگی چهره، نمایش چهره به عنوان مجموعه ای از اندازه گیری ها و رمزگذاری چهره ها را بیاموزید. علاوه بر این، یاد بگیرید که چگونه سیستم های از قبل موجود را تغییر دهید و تنظیم کنید.

linkedin یادگیری ماشین با Scikit-Learn (Mitalearn-195174)

  • 43 minutes
  • پیشرفته
  • Release date: 26 July 2026
  • Author: Madecraft,Michael Galarnyk
درباره این دوره:

توانایی اعمال الگوریتم‌های یادگیری ماشین بخش مهمی از مجموعه مهارت‌های دانشمند داده است. scikit-learn یک کتابخانه منبع باز محبوب پایتون است که نسخه های کاربرپسند و کارآمد از الگوریتم های رایج یادگیری ماشین را ارائه می دهد. در این دوره، مایکل گالارنیک، دانشمند داده، نحوه استفاده از scikit-learn را برای یادگیری ماشینی تحت نظارت و بدون نظارت توضیح می دهد. مایکل مزایای این API با کاربرد آسان را بررسی می‌کند و سپس به سرعت به تکنیک‌های عملی می‌پردازد، از رگرسیون خطی و لجستیک، درخت‌های تصمیم‌گیری و مدل‌های جنگل تصادفی شروع می‌کند. در فصل سوم، او تکنیک های یادگیری بدون نظارت مانند خوشه بندی K-means و تجزیه و تحلیل اجزای اصلی (PCA) را پوشش می دهد. بعلاوه، یاد بگیرید که چگونه خط لوله‌های Sicit-Learn ایجاد کنید تا کد خود را تمیزتر و در برابر اشکالات انعطاف‌پذیرتر کنید. در پایان دوره، شما قادر خواهید بود نقاط قوت و ضعف هر الگوریتم Sicit-Learn را درک کنید و مدل های یادگیری ماشینی بهتر و کارآمدتری بسازید.nn ما خوشحالیم که این محتوا را در کتابخانه خود میزبانی می کنیم.

MadeCraft-Description-Logo.jpg

linkedin یادگیری ماشین با پایتون: k-Means Clustering (Mitalearn-392561)

  • 50 minutes
  • مناسب همه
  • Update date: 1 May 2024
  • Author: Frederick Nwanganga
درباره این دوره: 

 خوشه بندی - یک رویکرد یادگیری ماشینی بدون نظارت که برای گروه بندی داده ها بر اساس شباهت استفاده می شود - برای کار در تجزیه و تحلیل شبکه، تقسیم بندی بازار، گروه بندی نتایج جستجو، تصویربرداری پزشکی و تشخیص ناهنجاری استفاده می شود. خوشه‌بندی K-means یکی از محبوب‌ترین و آسان‌ترین الگوریتم‌های خوشه‌بندی است. در این دوره آموزشی، Fred Nwanganga به شما نگاهی مقدماتی به خوشه‌بندی k-means می‌دهد – چگونه کار می‌کند، برای چه چیزی خوب است، چه زمانی باید از آن استفاده کنید، چگونه تعداد مناسبی از خوشه‌ها را انتخاب کنید، نقاط قوت و ضعف آن، و موارد دیگر. Fred راهنمایی عملی در مورد نحوه جمع‌آوری، کاوش و تبدیل داده‌ها در آماده‌سازی برای تقسیم‌بندی داده‌ها با استفاده از خوشه‌بندی k-means ارائه می‌کند و راهنمای گام به گام نحوه ساخت چنین مدلی در پایتون را ارائه می‌دهد.

linkedin یادگیری ماشین با پایتون: درختان تصمیم (Mitalearn-392544)

  • 1 hours 14 minutes
  • مناسب همه
  • Update date: 25 July 2026
  • Author: Frederick Nwanganga
درباره این دوره:

درخت‌های تصمیم یکی از رایج‌ترین رویکردهایی هستند که در یادگیری ماشین نظارت شده استفاده می‌شوند. ساختن درخت تصمیم به شما این امکان را می‌دهد تا با تقلید از تصمیم‌گیری اگر به‌عنوان یک رفتار طبیعی انسانی، روابط پیچیده بین متغیرها را مدل کنید. در این دوره آموزشی، مربی فردریک نوانگانگا به شما یک نمای کلی از نحوه جمع‌آوری، کاوش و تبدیل داده‌های خود در آماده‌سازی برای ساخت مدل‌های درخت تصمیم در پایتون می‌دهد.

قدرت درخت‌های تصمیم‌گیری، چیستی و چگونگی آن‌ها را کشف کنید. آنها ساخته می شوند و چگونه ناخالصی را در یک پارتیشن تعیین می کنند. نکاتی را از فردریک در مورد ساخت، تجسم، هرس و استفاده از درخت تصمیم در پایتون از جمله درختان طبقه بندی و درختان رگرسیون دریافت کنید. در پایان این دوره، شما آماده خواهید بود که مدل های خود را بسازید و آنها را در دامنه های مختلف اعمال کنید.

linkedin یادگیری ماشین با پایتون: رگرسیون لجستیک (Mitalearn-392595)

  • 1 hours 19 minutes
  • مناسب همه
  • Update date: 29 April 2024
  • Author: Frederick Nwanganga
درباره این دوره: 

 آیا به دنبال راهی عملی برای استفاده از یادگیری ماشین برای حل مشکلات پیچیده دنیای واقعی هستید؟ رگرسیون لجستیک رویکردی برای یادگیری ماشینی تحت نظارت است که مقادیر انتخاب شده را برای پیش‌بینی نتایج احتمالی مدل‌سازی می‌کند. در این دوره، فردریک نوانگانگا، استاد نوتردام، راهنمای گام به گام نحوه ساخت یک مدل رگرسیون لجستیک با استفاده از پایتون را در اختیار شما قرار می دهد. نکات عملی برای جمع آوری، کاوش، و تبدیل داده های خود را قبل از شروع بیاموزید. در پایان این دوره، شما مهارت های فنی برای دانستن زمان و نحوه طراحی، ساخت، ارزیابی و مدیریت موثر یک مدل رگرسیون لجستیک را به تنهایی خواهید داشت.

این دوره با GitHub یکپارچه شده است. Codespaces، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

linkedin یادگیری ماشین با پایتون: قوانین انجمن (Mitalearn-392578)

  • 1 hours 27 minutes
  • مناسب همه
  • Update date: 25 April 2024
  • Author: Frederick Nwanganga
درباره این دوره: 

 به مربی فردریک نوانگانگا بپیوندید زیرا او یک رویکرد کاربردی و قابل درک برای استفاده از یادگیری ماشین برای حل مشکلات دنیای واقعی را معرفی می کند و راهنمایی های گام به گام در مورد نحوه انجام این کار در پایتون ارائه می دهد. فردریک به طور خاص بر قوانین انجمن و نحوه اعمال آنها برای تجزیه و تحلیل سبد بازار تمرکز می کند. او توضیح می دهد که قوانین تداعی چیست و دو الگوریتم محبوب را بررسی می کند، سپس به این می پردازد که چه زمانی و چرا باید از قوانین تداعی استفاده کنید. به علاوه، فردریک نحوه ایجاد، تجسم، و تفسیر قوانین ارتباط در پایتون را پوشش می‌دهد.

این دوره با GitHub Codespaces، یک محیط توسعه‌دهنده ابر فوری که تمام قابلیت‌های IDE مورد علاقه شما را بدون نیاز به هیچ‌گونه نیازی ارائه می‌کند، یکپارچه شده است. راه اندازی ماشین محلی با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، ویدیوی «استفاده از فضاهای کد GitHub با این دوره» را بررسی کنید.

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.

Suggestions