برگشت به صفحه اصلی (کلیک کنید)

دوره یادگیری ماشین با پایتون

اهمیت بالای یادگیری ماشین در جهان مدرن انکار ناپذیر است و همین حالا در زمینه‌های بسیاری از جمله برای بهینه‌سازی تجربه کاربر در استفاده از وب سایت‌ها مورد استفاده قرار گرفته است. شبکه‌های عصبی نیز کاربردهای بسیاری دارند که از این میان می‌توان به تعدیل شبکه‌های اجتماعی و ماشین‌های خودکار اشاره کرد. یادگیری ماشین به لطف افزایش توان پردازش سخت افزاری در سال‌های اخیر رشد چشمگیری را تجربه کرده؛ با این وجود پتانسیل‌های این زمینه بسیار بیشتر از آن چیزی است که تا کنون به آن دست یافته‌ایم.

اما چه ارتباطی بین رشد الگوریتم‌های یادگیری ماشین و زبان پایتون وجود دارد؟

اگرچه در طراحی الگوریتم‌ها می‌توان از کتابخانه توابع زبان‌های مختلف بهره برد اما پایتون به زبان اصلی یادگیری ماشین تبدیل شده. شایان ذکر است که «تنسور فلو» گوگل اصولا با پایتون سازگاری دارد و تقریبا در تمام دوره‌های شبکه های عصبی از پایتون استفاده می‌شود. همچنین تحلیل داده مورد نیاز در یادگیری ماشین نیز با پایتون و کتابخانه‌های آن سازگاری بالایی دارند. آشنایی با یادگیری ماشین مهارتی است که روز به روز تقاضای بیشتری پیدا می‌کند و از این رو تسلط بر زبان برنامه‌نویسی پایتون شما را نسبت به افرادی که آشنایی چندانی با آن ندارد، یک سروگردن بالاتر قرار می‌دهد. با این حال پیش از اشتغال در این زمینه خود را برای حجم عظیمی از مفاهیم ریاضی و تحلیل داده آماده کنید.

در این دوره پنج پروژه [کلیک کنید] پیاده سازی میگردد.

📘 فرمت تمام ویدئوها بصورت mp4 می باشد که به راحتی با نرم افزارهای پخش مدیا اجرا خواهند شد.

📘 در صورت بروز هر گونه مشکل در خرید و دانلود با پست الکترونیکی sendticket.py@gmail.com با ما در ارتباط باشید.

📘 سرفصل دوره در بخش زیر قابل مشاهده می‌باشد، بخش‎‌های که به رنگ آبی است بصورت رایگان قابل دانلود می‌باشد.

قیمت: ۶۰,۰۰۰ تومان

سرفصل دوره یادگیری ماشین


  1. معرفی دوره یادگیری ماشین با پایتون - رایگان
  2. فصل اول – رگرسیون خطی تک متغیره
    • درس 1 – مفهوم کلی
    • درس 2 – تابع هزینه (Cost Function)
    • درس 3 – الگوریتم Gradient Descent
    • درس 4 – پیاده سازی با پایتون
  3. فصل دوم – رگرسیون خطی چند متغیره
    • درس 1 – مفهوم کلی
    • درس 2- تابع هزینه چند متغیره
    • درس 3 – الگوریتم Gradient Descent چند متغیره
    • درس 4 – بهینه سازی رگرسیون
    • درس 5 – پیاده سازی با پایتون
  4. فصل سوم – رگرسیون منطقی
    • درس 1 – مفهوم کلی و دسته بندی
    • درس 2 – تابع نگاشت (Hypothesis)
    • درس 3 -مرز تصمیم گیری (Decision Boundary)
    • درس 4- تابع هزینه
    • درس 5 – بهینه سازی پیشرفته
    • درس 6 – نکات عملی و پیاده سازی با پایتون
  5. فصل چهارم – شبکه های عصبی
    • درس 1 – ایده کلی
    • درس 2 – مدل سازی شبکه عصبی
    • درس 3 – تابع نگاشت غیر خطی
  6. فصل پنجم – یادگیری شبکه عصبی
    • درس 1 – تابع هزینه
    • درس 2 – الگوریتم بازگشت
    • درس 3 – نکات پیاده سازی
    • درس 4 – پیاده سازی با پایتون
  7. فصل ششم – الگوریتم SVM
    • درس 1 – ایده کلی
    • درس 2 – هسته 1
    • درس 3 – هسته 2
    • درس 4 – پیاده سازی با پایتون
  8. پیاده سازی پروژه های پایانی
    • تشخیص ارقام
    • تشخیص چهره
    • تشخیص متن
    • تشخیص صدا
    • تخمین تابع