آموزش پروژه محور دستهبندی ایمیلهای اسپم
در این دوره تمامی مراحل لازم برای ساختن یک ماشین یادگیری تشخیص ایمیل اسپم آموزش داده میشود. آموزشها از مباحث تئوری احتمالات آغاز شده و تا یادگیری Bayesian ادامه مییابد. سپس مراحل لازم جهت پیادهسازی مباحث تئوری در پایتون از ۰ تا ۱۰۰ طی شده است.
150,000 تومان
در این دوره آموزشی چه خبره؟
پروژه عملی آموزش داده شده در این دوره میتواند در کاربردهای وسیعتر پردازش متن، از جمله تشخیص انواع متون از یکدیگر (مثل تشخیص متون سیاسی از غیر سیاسی، ورزشی از غیر ورزشی و …) بکار گرفته شود. این دوره برای کسانی که پیش زمینه اندکی از ماشین لرنینگ و یا آمار و احتمالات در حد مقدماتی دارند مناسب میباشد.
لازم به ذکر است جهت درک بهتر، در این دوره از هیچ کتابخانه آماده هوش مصنوعی و ماشین لرنینگ و دیپ لرنینگ استفاده نشده و تمامی مراحل لازم از ۰ تا ۱۰۰ پیادهسازی شده است.
در این دوره پنج پروژه کاربردی 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 help.onlinecourses@gmail.com با ما در ارتباط باشید.
📘 سرفصل دوره در بخش زیر قابل مشاهده میباشد.
اهداف یادگیری
مخاطبان این دوره میتوانند روش یادگیری Bayesian را که یکی از مشهورترین شیوههای یادگیری ماشین (Machine Learning) میباشد، بصورت تئوری فراگرفته و با بکار گیری آن در عمل به درک و شهود واقعی از آن برسند.
آیا این دوره پیش نیازی دارد؟
مقدمات برنامهنویسی این دوره نیز بصورت کامل در آن آموزش داده میشود تا حتی عزیزانی که در حد مقدماتی و پایینتر با پایتون آَشنایی دارند، بتوانند با ما همراه باشند.
معرفی دوره دستهبندی ایمیلهای اسپم
درس صفر رایگان
تئوری احتمالات و قانون بیز
درس اول ویدئو
Introduction
درس دوم ویدئو
Conditional probability
درس سوم ویدئو
Total probability theorem
درس چهارم ویدئو
Bayes' theorem
مباحث تئوری دسته بندی ایمیل های اسپم
درس اول ویدئو
Introduction
درس دوم ویدئو
Feature selection
درس سوم ویدئو
Dictionary
درس چهارم ویدئو
Application of Bayes' theorem
درس پنجم ویدئو
Naive Bayes assumption
درس ششم ویدئو
Chain rule
درس هفتم ویدئو
Joint likelihood
درس هشتم ویدئو
Parameter estimation
درس نهم ویدئو
Implementation notes
آموزش کتابخانه re (عبارت منظم)
درس اول ویدئو
Introduction
درس دوم ویدئو
Metacharacters
درس سوم ویدئو
Repeating metacharacters
درس چهارم ویدئو
Match functions
درس پنجم ویدئو
Module-level functions
درس ششم ویدئو
Compilation flags
درس هفتم ویدئو
Modifying strings
برنامه نویسی
درس اول ویدئو
Introduction
درس دوم ویدئو
Update Dictionary
درس سوم ویدئو
Generate Unique Words
درس چهارم ویدئو
Is In Dictionary
درس پنجم ویدئو
Update Training Set
درس ششم ویدئو
Update Training Set By Folder
درس هفتم ویدئو
Classify Email
درس هشتم ویدئو
Classify Folder
دوره های مرتبط
ترجمه شماره ۹ – استخراج سلسلهمراتبی ویژگی فضایی و زمانی با استفاده از خوشهبندی آنلاین بازگشت کننده
چکیده مقاله يادگیری عمیق ماشین، یک چارچوب جامع برای استخراج ویژگیهای معنادار از مشاهدات پیچیده به شیوهای بدون نظارت فراهم…
ترجمه شماره ۴ – تبدیل کسینوسی گسستهی پیچشی سه بعدی برای فشردهسازی تصویر MRI
چکیده مقاله فشردهسازی تصویر، کاربرد فشردهسازی دادهها روی تصاویر دیجیتال است. تکنیکهای کدگذاری تبدیل با اتلاف/ بدون اتلاف متعددی برای…
آموزش یادگیری عمیق مقدماتی با پایتون
در سال های اخیر، یادگیری عمیق، تحول بزرگی را در یادگیری ماشین و هوش مصنوعی ایجاد کرده است.دلیل اصلی نهفته در پس «یادگیری عمیق» (Deep Learning) این ایده است که «هوش مصنوعی» (Artificial Intelligence) باید از مغز انسان الهام بگیرد.
آموزش ترکیبی یادگیری ماشین و عمیق مقدماتی با پایتون
یادگیری عمیق زیر شاخه ای از یادگیری ماشین است، که اساس آن، بر مبنای یادگیری و نمایش ویژگیها در لایههای مدل است و به زبان ساده تر، هدف اصلی یادگیری عمیق، استخراج ویژگی ها، به صورت هوشمند و طی چند مرحله یادگیری است. نخستین انگیزه در بوجود آمدن این ساختار یادگیری، از بررسی ساختار عصبی مغز انسان الهام گرفته شده است که در آن یاختههای عصبی با فرستادن پیام به یکدیگر، درک را امکانپذیر می کنند.
امتیاز دانشجویان دوره
نظرات
150,000 تومان
قوانین ثبت دیدگاه