دوره یادگیری ماشین با پایتون

به عنوان یکی از شاخه‌های وسیع و پرکاربرد هوش مصنوعی، یادگیری ماشین (Machine learning) به تنظیم و اکتشاف شیوه‌ها و الگوریتم‌هایی می‌پردازد که بر اساس آنها رایانه‌ها و سامانه‌ها توانایی تعلٌم و یادگیری پیدا می‌کنند

هدف یادگیری ماشین این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها کارایی بهتری در انجام وظیفه مورد نظر پیدا کند. گستره این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهره مورد نظر تا فراگیری شیوه گام‌برداری روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد.

پیش بینی می شود در آینده استفاده از زبان برنامه نویسی پایتون، گسترش بسیار بیشتری داشته باشد

در حوزه تحلیل داده، یادگیری ماشین و علم داده نیز، استفاده از پایتون بسیار قابل توجه است به طوری که این زبان پرکاربردترین زبان در حوزه علم داده و یادگیری ماشین می باشد:

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

📘 فرمت تمام ویدئوها بصورت mp4 یا wmv 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
    • تحلیل داده ها و تشخیص نوع بیماری
    • تشخیص اشیاء (صورت انسان)
    • تشخیص متن (ارقام و حروف)
    • تشخیص صدا (تشخیص و تحلیل فرمان های صوتی)
    • تخمین میزان گلوکز خون توسط تصویر نمونه ها