Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-15 of 15 items.

linkedin LinkedIn AI Academy AI-100: 2 یادگیری تحت نظارت با شبکه های عصبی (Mitalearn-390827)

  • 1 hours 9 minutes
  • مناسب همه
  • Release date: 4 May 2023
  • Author: Daniel Hewlett,Ananth Sankar
درباره این دوره: 

 هوش مصنوعی یکی از مهم ترین اما کمتر شناخته شده ترین زمینه ها در جهان است. طرز تفکر ما در مورد تجارت را تغییر می دهد، اما آنقدر سریع در حال تغییر است که پیگیری آن دشوار است. این دوره که توسط مهندسان لینکدین آنانت سانکار و دانیل هیولت تدریس می‌شود، نشان می‌دهد که چگونه شبکه‌های عصبی و یادگیری عمیق هوش مصنوعی را در دهه گذشته متحول کرده‌اند و برنامه‌هایی را که قبلا غیرممکن بودند، فعال می‌کنند. Ananth و Daniel برخی از محبوب ترین معماری های شبکه عصبی را پوشش می دهند. آنها موضوعات کلیدی مانند شبکه‌های عصبی طبقه‌بندی خطی ساده، شبکه‌های عصبی کانولوشنال، و یادگیری توالی، و همچنین شبکه‌های عصبی نموداری و نحوه اعمال آنها را برای پیش‌بینی نمودارهای شبکه‌های اجتماعی مورد بحث قرار می‌دهند.

coursera Machine Learning Capstone (Mitalearn-308054)

  • 27 minutes
  • پیشرفته
  • Release date: 23 June 2026
  • Author: Yan Luo,Artem Arutyunov
درباره این دوره:

این دوره آموزشی Capstone یادگیری ماشینی از کتابخانه‌های مختلف یادگیری ماشین مبتنی بر پایتون مانند Pandas، Sci-Kit-Learn و Tensorflow/Kera استفاده می‌کند. همچنین یاد خواهید گرفت که مهارت های یادگیری ماشینی خود را به کار ببرید و مهارت خود را در آنها نشان دهید. قبل از شرکت در این دوره، باید تمام دوره های قبلی در گواهینامه حرفه ای یادگیری ماشین آی بی ام را بگذرانید.    در این دوره، شما همچنین یاد خواهید گرفت که یک سیستم توصیه‌کننده دوره بسازید، مجموعه داده‌های مربوط به دوره را تجزیه و تحلیل کنید، شباهت کسینوس را محاسبه کنید و یک ماتریس شباهت ایجاد کنید. علاوه بر این، با به کارگیری دانش خود در مورد KNN، PCA، و فیلتر مشارکتی ماتریس غیرمنفی، سیستم‌های توصیه‌ای را ایجاد خواهید کرد.  در نهایت، کار خود را با همسالان خود به اشتراک می گذارید و از آنها می خواهید که آن را ارزیابی کنند و تجربه یادگیری مشترک را تسهیل کنید. 

linkedin آموزش ضروری یادگیری تحت نظارت (Mitalearn-199237)

  • 1 hours 28 minutes
  • متوسط
  • Release date: 20 June 2026
  • Author: Ayodele Odubela
درباره این دوره:

دانشمندان داده و دانشجویان ML/AI ممکن است به تجربه عملی با الگوریتم های یادگیری نظارت شده نیاز داشته باشند. در این دوره، مربی Ayodele Odubela به شما می آموزد که مدل هایی را که ایجاد کرده اید در داده های جدید اعمال کنید و عملکرد مدل را ارزیابی کنید. ابتدا، Ayodele بیان می کند که یادگیری تحت نظارت چیست و چگونه می توان با استفاده از داده های آموزشی برچسب دار پیش بینی کرد. او یک نمای کلی از الگوریتم رگرسیون لجستیک، نحوه ساخت یک مدل خطی در پایتون و نحوه محاسبه معیارهای مدل را به شما می دهد. سپس، Ayodele به شما کمک می‌کند اولین درخت‌های تصمیم خود و همچنین مدل‌های نزدیک‌ترین همسایگان را با استفاده از GridSearch ایجاد کنید. Ayodele نحوه ایجاد شبکه های عصبی مصنوعی را پوشش می دهد که برای اکثر کارهای یادگیری عمیق پایه ای هستند. او با یک مرور کلی هوش مصنوعی اخلاقی پایان می دهد و از شما می خواهد که تأثیر مدل های خود را در نظر بگیرید.

coursera تجزیه و تحلیل داده ها با پروژه پایتون (Mitalearn-332024)

  • متوسط
  • Release date: 27 June 2026
  • Author: Di Wu
درباره این دوره:

دوره "پروژه تجزیه و تحلیل داده ها" دانش آموزان را قادر می سازد تا دانش و مهارت های خود را که در این تخصص به دست آورده اند برای انجام پروژه تجزیه و تحلیل داده های واقعی مورد علاقه خود به کار گیرند. شرکت‌کنندگان جهات مختلفی را در تجزیه و تحلیل داده‌ها، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه‌بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس را بررسی خواهند کرد. در سراسر ماژول ها، دانش آموزان تکنیک ها و روش های تجزیه و تحلیل داده های ضروری را یاد می گیرند و سفری از داده های خام به دانش و هوش را آغاز می کنند. با تکمیل دوره، دانش آموزان در تجزیه و تحلیل داده ها مهارت خواهند داشت، می توانند تخصص خود را در پروژه های مختلف به کار گیرند و تصمیمات مبتنی بر داده را بگیرند. در پایان این دوره، دانشجویان قادر خواهند بود: 1. درک مفاهیم اساسی و روش شناسی تجزیه و تحلیل داده ها در جهات مختلف، از جمله یادگیری تحت نظارت و بدون نظارت، رگرسیون، خوشه بندی، کاهش ابعاد، قوانین تداعی، و تشخیص موارد دور از دسترس. 2. محدوده و جهت پروژه تجزیه و تحلیل داده ها را مشخص کنید، تکنیک ها و روش های مناسب برای دستیابی به اهداف پروژه را شناسایی کنید. 3. از الگوریتم‌های طبقه‌بندی مختلف، مانند Nearest Neighbors، Decision Trees، SVM، Naive Bayes و Logistic Regression برای کارهای مدل‌سازی پیش‌بینی‌کننده استفاده کنید. 4. روش های اعتبارسنجی متقابل و مجموعه را برای افزایش عملکرد و قابلیت تعمیم مدل های طبقه بندی اجرا کنید. 5. از الگوریتم های رگرسیون، از جمله Simple Linear، Polynomial Linear و Linear با منظم سازی، برای مدل سازی و پیش بینی نتایج عددی استفاده کنید. 6. انجام رگرسیون چند متغیره و استفاده از روش های اعتبارسنجی متقابل و مجموعه در تحلیل رگرسیون. 7. تکنیک های خوشه بندی، از جمله روش های پارتیشن بندی، سلسله مراتبی، مبتنی بر چگالی و مبتنی بر شبکه را برای کشف الگوها و ساختارهای اساسی در داده ها کاوش کنید. 8. از تجزیه و تحلیل اجزای اصلی (PCA) برای کاهش ابعاد استفاده کنید تا داده های با ابعاد بالا را ساده کنید و به تجسم داده ها کمک کنید. 9. از الگوریتم‌های Apriori و FPGrowth برای استخراج قوانین مرتبط و کشف ارتباط آیتم‌های جالب در داده‌های تراکنشی استفاده کنید. 10. برای شناسایی نقاط داده های غیرعادی و نقاط پرت متنی، از روش های تشخیص پرت، از جمله Zscore، IQR، OneClassSVM، Isolation Forest، DBSCAN و LOF استفاده کنید. در طول دوره، دانش‌آموزان به طور فعال در آموزش‌ها، تمرین‌های عملی و مطالعه موردی پروژه تجزیه و تحلیل داده‌ها شرکت می‌کنند و تجربه عملی در تکنیک‌های مختلف تجزیه و تحلیل داده‌ها به دست می‌آورند. با دستیابی به اهداف یادگیری، شرکت کنندگان به خوبی مجهز خواهند شد تا در پروژه های تجزیه و تحلیل داده ها برتری پیدا کنند و در سناریوهای دنیای واقعی تصمیمات مبتنی بر داده اتخاذ کنند.

coursera طبقه بندی متن نظارت شده برای تجزیه و تحلیل بازاریابی (Mitalearn-329168)

  • 3 hours 3 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Chris J. Vargo,Scott Bradley
درباره این دوره:

داده های بازاریابی اغلب نیاز به دسته بندی یا برچسب گذاری دارند. در عصر امروز، داده‌های بازاریابی می‌تواند بسیار بزرگ یا بزرگ‌تر از آن چیزی باشد که انسان‌ها می‌توانند به طور منطقی با آن مقابله کنند. در این دوره، دانش آموزان یاد می گیرند که چگونه از یادگیری عمیق نظارت شده برای آموزش الگوریتم هایی برای مقابله با وظایف طبقه بندی متن استفاده کنند. دانش‌آموزان مروری مفهومی از یادگیری ماشینی نظارت‌شده را طی می‌کنند و از طریق آموزش‌های آموزشی در پایتون به مجموعه داده‌های دنیای واقعی می‌روند. دوره با یک پروژه بزرگ به پایان می رسد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید.

coursera مایکروسافت Azure Machine Learning برای دانشمندان داده (Mitalearn-332840)

  • 12 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

یادگیری ماشینی هسته اصلی هوش مصنوعی است و بسیاری از برنامه‌ها و خدمات مدرن به مدل‌های یادگیری ماشینی پیش‌بینی‌کننده وابسته هستند. آموزش یک مدل یادگیری ماشینی یک فرآیند تکراری است که به زمان و منابع محاسباتی نیاز دارد. یادگیری ماشین خودکار می تواند به آسان تر کردن آن کمک کند. در این دوره یاد خواهید گرفت که چگونه از یادگیری ماشینی Azure برای ایجاد و انتشار مدل ها بدون نوشتن کد استفاده کنید. این دومین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون Azurectification آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

coursera مقدمه ای بر هوش مصنوعی و یادگیری ماشین در گوگل ابری (Mitalearn-317557)

  • 2 hours 51 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

این دوره، پیشنهادات هوش مصنوعی (AI) و یادگیری ماشین (ML) را در Google Cloud معرفی می کند که از چرخه عمر داده به AI از طریق پایه های AI، توسعه AI و راه حل های AI پشتیبانی می کند. این فن‌آوری‌ها، محصولات و ابزارهای موجود برای ساخت مدل ML، خط لوله ML، و یک پروژه هوش مصنوعی مولد بر اساس اهداف مختلف کاربران، از جمله دانشمندان داده، توسعه‌دهندگان هوش مصنوعی و مهندسان ML را بررسی می‌کند.

coursera مقدمه ای بر یادگیری ماشینی (Mitalearn-332313)

  • 10 hours 24 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Lawrence Carin ,David Carlson,Timothy Dunn
درباره این دوره:

این دوره یک درک اساسی از مدل های یادگیری ماشین (رگرسیون لجستیک، پرسپترون های چندلایه، شبکه های عصبی کانولوشن، پردازش زبان طبیعی و غیره) ارائه می دهد و نشان می دهد که چگونه می توانند مشکلات پیچیده در صنایع مختلف، از تشخیص پزشکی گرفته تا تشخیص تصویر تا پیش بینی متن را حل کنند. از طریق تمرین‌های عملی، این مدل‌های علم داده را بر روی مجموعه داده‌ها پیاده‌سازی خواهید کرد و در الگوریتم‌های یادگیری ماشین با PyTorch که توسط شرکت‌های فناوری پیشرو مانند Google و NVIDIA استفاده می‌شود، مهارت کسب خواهید کرد.

coursera هوش مصنوعی و بهداشت عمومی (Mitalearn-328063)

  • 4 hours
  • مبتدی
  • Release date: 23 June 2026
  • Author: Robert Monarch
درباره این دوره:

در این دوره آموزشی با مبانی هوش مصنوعی و یادگیری ماشینی و نحوه اعمال آنها در سناریوهای دنیای واقعی در AI for Good space آشنا می شوید. همچنین با چارچوبی برای حل مشکل آشنا خواهید شد که در آن هوش مصنوعی بخشی از راه حل است. این دوره با یک مطالعه موردی شامل سه آزمایشگاه نوت بوک Jupyter که در آن شما یک برنامه نظارت بر کیفیت هوا برای شهر بوگوتا، کلمبیا ایجاد خواهید کرد، به پایان می رسد.

coursera هوش مصنوعی و تغییرات آب و هوایی (Mitalearn-328199)

  • 4 hours 28 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Robert Monarch
درباره این دوره:

در این دوره، شما با مروری بر مکانیسم‌های پشت سر تغییرات آب و هوایی انسانی و تأثیر آن بر دمای جهانی و الگوهای آب و هوایی شروع می‌کنید. شما از طریق دو مطالعه موردی کار خواهید کرد، یکی با استفاده از تحلیل سری های زمانی برای پیش بینی نیروی باد و دیگری با استفاده از بینایی کامپیوتری برای نظارت بر تنوع زیستی. هر دو مطالعه موردی نمونه‌هایی هستند که در آن تکنیک‌های هوش مصنوعی می‌توانند بخشی از راه‌حل برای کاهش تغییرات اقلیمی و سازگاری با آن باشند.

coursera یادگیری تحت نظارت و کاربردهای آن در بازاریابی (Mitalearn-283778)

  • 4 hours 48 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Ambica Ghai
درباره این دوره:

به دوره آموزشی تحت نظارت و کاربردهای آن در بازاریابی خوش آمدید! یادگیری تحت نظارت فرآیند ساخت الگوریتمی برای یادگیری ترسیم یک ورودی به یک خروجی خاص است. الگوریتم‌های یادگیری تحت نظارت می‌توانند به پیش‌بینی داده‌های نادیده جدید کمک کنند. در این دوره از زبان برنامه نویسی پایتون که ابزاری موثر برای برنامه های یادگیری ماشین است استفاده خواهید کرد. شما با تکنیک های یادگیری تحت نظارت آشنا خواهید شد: رگرسیون و طبقه بندی. این دوره بر کاربردهای این تکنیک ها در حوزه بازاریابی متمرکز خواهد بود. با افزایش حجم داده ها و کاربردهای یادگیری ماشینی در بازاریابی، ما به راحتی می توانیم نمونه هایی از استفاده از یادگیری ماشین را در تلاش های بازاریابی پیدا کنیم. شرکت ها شروع به استفاده از یادگیری ماشینی برای درک بهتر رفتارهای مشتری و شناسایی بخش های مختلف مشتری بر اساس الگوهای فعالیت خود کرده اند. بسیاری از سازمان‌ها همچنین از یادگیری ماشینی برای پیش‌بینی رفتارهای آینده مشتریان استفاده می‌کنند، مثلاً چه اقلامی را احتمالاً خریداری می‌کنند، از کدام وب‌سایت‌ها بازدید می‌کنند و چه کسانی احتمالاً از بین خواهند رفت. با استفاده بی پایان از یادگیری ماشینی برای بازاریابی، شرکت ها در هر اندازه می توانند از استفاده از یادگیری ماشین برای تلاش های بازاریابی خود بهره مند شوند. برای موفقیت در این دوره، باید درک اولیه ای از پایتون داشته باشید. شما همچنین به نیازهای نرم افزاری خاصی از جمله ناوبر Anaconda نیاز دارید.

linkedin یادگیری ماشین کاربردی: یادگیری نظارت شده (Mitalearn-411499)

  • 2 hours 26 minutes
  • مناسب همه
  • Release date: 25 July 2025
  • Author: Matt Harrison
درباره این دوره: 

 در این دوره ، مت هریسون-یک مربی شرکتی پایتون و علوم داده ، نویسنده ، سخنران ، مشاور و مشاور-به شما نشان می دهد که چگونه می توانید از تکنیک های یادگیری نظارت شده برای مشکلات دنیای واقعی استفاده کنید ، با تمرکز بر هر دو طبقه بندی و رگرسیون. با مدلهای اساسی مانند رگرسیون خطی شروع کنید و سپس به الگوریتم های پیچیده تری مانند درختان تصمیم گیری و XGBOOST بروید. به علاوه ، تکنیک های ارزیابی ، بهینه سازی و استقرار مدل را کاوش کنید. با چالش ها و راه حل های عملی ، این دوره شما را برای استفاده از یادگیری نظارت شده برای حل مشکلات در صنایعی مانند مراقبت های بهداشتی ، امور مالی و املاک و مستغلات آماده می کند.

coursera یادگیری ماشین نظارت شده: رگرسیون (Mitalearn-270297)

  • 5 hours 17 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Miguel Maldonado,Svitlana (Lana) Kramar
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: رگرسیون. شما یاد خواهید گرفت که چگونه مدل های رگرسیون را برای پیش بینی نتایج مستمر آموزش دهید و چگونه از معیارهای خطا برای مقایسه بین مدل های مختلف استفاده کنید. این دوره همچنین شما را از طریق بهترین شیوه‌ها، از جمله تقسیم‌های آموزشی و آزمایشی، و تکنیک‌های منظم‌سازی راهنمایی می‌کند. در پایان این دوره شما باید بتوانید: کاربردها و کاربردهای طبقه بندی و رگرسیون را در زمینه یادگیری ماشینی نظارت شده متمایز کنید  مدل های رگرسیون خطی را توصیف و استفاده کنید از انواع معیارهای خطا برای مقایسه و انتخاب یک مدل رگرسیون خطی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید توضیح دهید که چرا منظم کردن ممکن است به جلوگیری از برازش بیش از حد کمک کند از رگرسیون های منظم سازی استفاده کنید: Ridge، LASSO، و Elastic net   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده‌ای را که علاقه‌مند به کسب تجربه عملی با تکنیک‌های رگرسیون یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می‌دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

coursera یادگیری ماشین نظارت شده: رگرسیون و طبقه بندی (Mitalearn-327791)

  • 5 hours 52 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Andrew Ng,Aarti Bagul,Geoff Ladwig
درباره این دوره:

در اولین دوره تخصص یادگیری ماشین، شما: • ساخت مدل های یادگیری ماشین در پایتون با استفاده از کتابخانه های معروف یادگیری ماشین NumPy و scikit-learn. • ساخت و آموزش مدل‌های یادگیری ماشینی تحت نظارت برای پیش‌بینی و وظایف طبقه‌بندی باینری، از جمله رگرسیون خطی و رگرسیون لجستیک The Machine Learning Specialization یک برنامه آنلاین اساسی است که با همکاری DeepLearning.AI و Stanford Online ایجاد شده است. در این برنامه مبتدی دوستانه، اصول یادگیری ماشینی و نحوه استفاده از این تکنیک ها برای ساخت اپلیکیشن های هوش مصنوعی در دنیای واقعی را خواهید آموخت. این تخصص توسط اندرو انگ، یک آینده‌نگر هوش مصنوعی که تحقیقات انتقادی را در دانشگاه استنفورد و کارهای پیشگامانه در Google Brain، Baidu و Landing.AI برای پیشرفت در زمینه هوش مصنوعی رهبری کرده است، آموزش داده می‌شود. این تخصص 3 دوره ای، نسخه به روز شده و توسعه یافته دوره پیشگام یادگیری ماشین اندرو است که از زمان راه اندازی آن در سال 2012، دارای امتیاز 4.9 از 5 است و بیش از 4.8 میلیون زبان آموز آن را دریافت کرده اند. این مقدمه گسترده ای برای یادگیری ماشین مدرن، از جمله یادگیری نظارت شده (رگرسیون خطی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درختان تصمیم)، یادگیری بدون نظارت (خوشه بندی، کاهش ابعاد، سیستم های توصیه گر) و برخی از بهترین شیوه های مورد استفاده در سیلیکون ارائه می کند. Valley برای نوآوری های هوش مصنوعی و یادگیری ماشین (ارزیابی و تنظیم مدل ها، اتخاذ رویکرد داده محور برای بهبود عملکرد، و موارد دیگر). در پایان این تخصص، شما بر مفاهیم کلیدی تسلط خواهید داشت و دانش عملی برای به کارگیری سریع و قدرتمند یادگیری ماشینی در مسائل چالش برانگیز دنیای واقعی را به دست خواهید آورد. اگر به دنبال ورود به هوش مصنوعی یا ایجاد حرفه ای در یادگیری ماشین هستید، تخصص جدید یادگیری ماشین بهترین مکان برای شروع است.

coursera یادگیری ماشین نظارت شده: طبقه بندی (Mitalearn-270314)

  • 6 hours 49 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Mark J Grover,Svitlana (Lana) Kramar,Joseph Santarcangelo
درباره این دوره:

این دوره شما را با یکی از انواع اصلی خانواده های مدل سازی یادگیری ماشینی تحت نظارت آشنا می کند: طبقه بندی. شما یاد خواهید گرفت که چگونه مدل های پیش بینی را برای طبقه بندی نتایج طبقه بندی و نحوه استفاده از معیارهای خطا برای مقایسه بین مدل های مختلف آموزش دهید. بخش عملی این دوره بر استفاده از بهترین شیوه‌ها برای طبقه‌بندی، از جمله تقسیم‌بندی قطار و آزمایش، و مدیریت مجموعه داده‌ها با کلاس‌های نامتعادل تمرکز دارد. در پایان این دوره شما باید بتوانید: -متمایز کردن کاربردها و کاربردهای گروه های طبقه بندی و طبقه بندی -تشریح و استفاده از مدل های رگرسیون لجستیک -تشریح و استفاده از مدل های درخت تصمیم و مجموعه درخت -توصیف و استفاده از سایر روش های مجموعه برای طبقه بندی -از انواع معیارهای خطا برای مقایسه و انتخاب مدل طبقه بندی که به بهترین وجه با داده های شما مطابقت دارد، استفاده کنید -از نمونه برداری بیش از حد و نمونه برداری کم به عنوان تکنیک هایی برای مدیریت کلاس های نامتعادل در یک مجموعه داده استفاده کنید   چه کسانی باید این دوره را بگذرانند؟ این دوره، دانشمندان مشتاق داده را که علاقه مند به کسب تجربه عملی با تکنیک های طبقه بندی یادگیری ماشین نظارت شده در یک محیط تجاری هستند، هدف قرار می دهد.   چه مهارت هایی باید داشته باشید؟ برای استفاده حداکثری از این دوره، باید با برنامه نویسی در محیط توسعه پایتون و همچنین درک اساسی از پاکسازی داده ها، تجزیه و تحلیل داده های اکتشافی، حساب دیفرانسیل و انتگرال، جبر خطی، احتمالات و آمار آشنا باشید.

Suggestions