آموزش یادگیری ماشین در زبان برنامه نویسی پایتون به صورت کاملاً مفهومی و با تدریس کاملاً روان که باعث میشه دغدغه‌ای باعث فهمیدن مباحث رو نداشته باشید!
توضیح صوتی در مورد این دوره ؟!
این دوره در مورد چیست؟!
این دوره در مورد یادگیری ماشین با زبان برنامه نویسی پایتون است! در این دوره هم تا حدی تئوری میگیم! و هم در عمل با زبان برنامه نویسی پایتون کدنویسی خواهیم کرد! عموم کارمون با پکیج scikit-learn (پکیج فوق العاده مهم پایتون در زمینه یادگیری ماشین!) است ولی با پکیج‌های دیگه پایتون مثل scipy و mixed naive bayes و … هم یه سری کارها میکنیم!
توجه داشته باشید که اصلاً اینکه تئوری نگیم و فقط با پایتون کدنویسی کنیم! نه عملی است و نه درست! چون در طول دوره هم میبینید که خیلی از تعبیرها، خیلی از دلایل خطاها و دلایل برخی کارها، در بخش تئوری نهفته است! پس قطعاً تئوری هم نیازه! البته از اون طرف بوووم هم نیفتادیم! که همش تئوری بگیم! ولی تا حدنیاز تئوری گفتیم و به طور عملی هم که انجام دادیم!
خلاصه اینکه دوره حاضر هم تا حدی تئوری گفتیم و هم بخش عملی رو با زبان برنامه نویسی پایتون و پکیج scikit-learn انجام دادیم!
پیش نیاز این دوره چیست؟!
در این دوره فرض بر این است که شما موارد زیر را بلد هستید!
زبان برنامه نویسی پایتون (که میتونید از دوره پایتون خودمون استفاده کنید)! البته اگر از دوره دیگه هم استفاده کردید، اشکال نداره! ولی سعی کنید تقریباً اون مباحث رو پوشش داده باشه!
قطعاً شما هم با دوره هایی برخورد کردید! که میبینید شخصی که خودش داره آموزش میده، چون به مبحث مسلط نیست، اون مبحث رو گذرا درس میده! یعنی فقط میگه دستور اینه و همون دستور رو از رووو میخونه! ولی در هیچ کدوم از دوره‌های ما هدف این نوع آموزش نبوده! قطعاً افرادی که دوره‌های قبلی ما رو تهیه کردن، کیفیت دوره‌های ما رو تایید میکنن! البته توضیح بیشتر در این باب میشه قضیه همون ماست بندی که از ماست خودش بد نمیگه! ولی اگر قبلاً دوره های دیگه‌مون رو تهیه کرده باشید، قطعاً حرفم رو تایید میکنید!
مطالب رو میتونید به صورت جلسه به جلسه دانلود کنید!
مطالب موجود در این دوره رو به صورت جلسه به جلسه برای دانلود قرار دادیم! تا بتونید اون ها رو جلسه به جلسه پیش ببرید! (یعنی توی پروفایل کاربری شما، موقع دانلود، نوشته شده فایل های جلسه 1 و 2 و …! که شما میتونید جلسه به جلسه و مثل یک کلاس درس دانلود کنید و پیش برید!)
با چه برنامه ای این یادگیری ماشین با پایتون رو بخونم؟!
یه چیزی که همیشه توصیه کردیم در دوره‌هامون اینه: “جو گیر نشید!”
حدس میزنم خودتون تجربه اینو داشتید که نشستید یه دوره رو یه ضرب نگاه کردید، ولی به آخرش که رسیدید، اولش یادتون رفته!
البته کمی فراموشی طبیعیه و با مرورهای چندباره این مسئله بهتر میشه! ولی کلاً وقتی اینکار رو میکنید (منظورم یه ضرب دیدن ویدئوهاست!) خیلی چیزی گیرتون نمیاد! پس اولاً از این کارها نکنید!
توصیه من اینه:!
هر 2 هفته یک جلسه رو نگاه کنید! (اگر عجله داشتید، نهایتاً دیگه در هر هفته 1 جلسه ببینید! دیگه بیشتر نکنید هاااا!!!!)
اما توصیه اکید من همون یک جلسه در 2 هفته است! مخصوصاً این دوره یادگیری ماشین با زبان برنامه نویسی پایتون که حجم زیادی داره واقعا! یعنی اون چیزی که میبیند ما نوشتیم جلسه 1، اصلاً معادل یک جلسه معمولی کلاس های عرف نیست! اگر من همون رو بخوام حضوری بگم، احتمالاً در طول دو جلسه میگم! پس به شدت تاکید میکنم، تند تند نشینید فیلم ها رو نگاه کنید!
پس در حالت عادی (که توصیه من همینه) این دوره 5 ماه طول میکشه!
و در حالت فشرده (که توصیه نمیکنم) این دوره 2 ماه و نیم طول میکشه!
در ضمن یک شعار خیلی قشنگی داشت موسسه گاج که میگفت:! بجای اینکه چندین کتاب بخوانید، کتاب‌های گاج را چندین بار بخوانید!
من هم توصیه‌م همینه! یعنی بعد از دیدن این دوره، مجدداً مرور و دوره همین دوره یادتون نره و فقط به یه بار بسنده نکنید (نظر من اینه حداقل)!
در طول نگاه کردن فیلم‌ها یادتون باشه که فیلم سینمایی نمی‌بینید! طبیعتاً شما فیلم سینمایی رو فقط میبینید! اما فیلم آموزشی رو باید خودتون که میبینید تمرین کنید، خودتون کدهاش رو بنویسید و واسه خودتون بررسیش کنید!
پس حواستون باشه که وقتی فیلم رو نگاه میکنید، یادگیری فعال داشته باشید! یعنی همون کدها رو برید خودتون هم بنویسید! و حتی دفعه بعدی سعی کنید بدون دیدن از روی فیلم خودتون کد رو بنویسید! خیلی رُک بهتون بگم: اگر فیلم ها رو مثل فیلم سینمایی فقط دیدید، توقع هیچ بازدهی مناسبی از خودتون نداشته باشید! پس حتماً فیلم ها رو فعال ببینید و خودتون هم برید کدهاش رو بزنید! و تمرین کنید!
مطالب به صورت بخش بخش و در قالب فیلم‌های کوتاه‌تر تقسیم شده اند!
سعی شده تا مطالب هر جلسه، به صورت بخش بخش و در قالب فیلم‌های کوتاه‌ترتقسیم بشن! (مانند شرکت‌های بزرگ دنیا همچون lynda و udemy! چرا که اصول ضبط آموزش این است که مدت زمان هر فیلم آموزشی کوتاه باشد! نه یک فیلم 1 ساعته! در کولاک سعی کردیم مباحث رو به بخش‌های کوچیک کوچیک تقسیم بندی کنیم! پس اولاً همه مطالب به صورت جلسه به جلسه است! دوماً توووی همون مطالب هر جلسه هم، سعی شده مباحث به صورت مبحث به مبحث بخشی بندی بشن!)
برای همین استانداردی که عموم شرکت‌های بزرگ دنیا رعایت میکنن!، ما هم سعی کردیم به دلیل این استانداردها، فیلم‌های آموزش زبان برنامه نویسی پایتون خودمون رو مبحث‌بندی کنیم تا برای شما مطالعه و مرورش آسووون بشه!
تازه از لحاظ روان‌شناسی وقتی شما کارهای کوچیک کوچیک بیشتری انجام میدید، بهتون انرژی میده! تا اینکه یهو با یک غول بی‌شاخ و دُم و یک فیلم 1 ساعته مواجه بشید!
البته بعضی فیلم ها به دلیل ذات خود مبحث مجبور بودیم طولانی‌تر بشه! اما حتی اونا هم به هیچ عنوان خیلی خیلی طولانی نیست! و یک حد تعادلی رعایت شده!
اصل بهینگی سرلوحه فیلم‌های آموزشی کولاک!
احتمالاً شما هم با آموزش‌هایی مواجه شدید که در وسط فیلم، نازه مدرس یادش میاد که فلان چیز رو امتحان کنه! یا فلان چیز غیرمرتبط رو تعریف کنه! اما در کولاک مثل شرکت‌های بزرگ دنیا، خبری از این موارد نیست! فیلم‌های کولاک با تلاش زیاد و صرف وقت زیاد ضبط شده‌اند!
سطح این دوره یادگیری ماشین با پایتون چگونه است؟!
اشتباه‌ترین و پرتکرارترین سوالی که همواره از ما در مورد همه دوره‌ها پرسیده میشه همینه! انقدر پرتکراره این سوال که به شخصه به این سوال آلرژی دارم (خخخخ!)!
دلیلش هم اینه که لفظ سطح یه چیز نسبیاست! یکی ممکنه به یک سری مباحث بگه مقدماتی! یکی دیگه ممکنه به همون مباحث بگه پیشرفته! پس لفظ «سطح» یه چیز نسبی است!
سوال شما احتمالاً اینه که پس چجوری بفهمم اون دوره برام مناسب هست یا نه؟! جواب: از روی سرفصلش‌هاش! برای همین ما سرفصل‌های این دوره رو خیلی جزئی در زیر قرار میدیم!
سرفصل های دوره یادگیری ماشین با پایتون چیست؟!
بخش 0: دیتاست !
دیتاست های مورد استفاده در اختیار شما قرار گرفته است!
بخش 1: پیش پردازش (Preprocessing) در یادگیری ماشین با پایتون !
ادبیات حوزه یادگیری ماشین و خواندن داده در پایتون !
آشنایی با الفاظ مقدماتی مورد استفاده در یادگیری ماشین! (feature، target و مواردی از این دست…!)
آشنایی با دیتاست تحلیل تبلیغات !
خواندن داده در زبان پایتون !
Scale کردن در یادگیری ماشین با زبان برنامه نویسی پایتون !
مفهوم scale کردن و دلیل ضرورت آن !
MinMax Scaler با feature range !
Standard Scaler !
Z Score !
Scale کردن دیتاست و ملاحظات و اشتباهات رایج دانشجویان !
برخی نکات آماری و نقدهای وارده به برخی دستورات بالا !
صحبت در مورد اینکه کدام Scaling مناسب است؟!
پیاده سازی موارد بالا در زبان برنامه نویسی پایتون !
بخش 2: کلاس بندی (Classification) در یادگیری ماشین با پایتون !
الگوریتم KNN در یادگیری ماشین !
توضیح تئوری الگوریتم KNN !
کدنویسی الگوریتم KNN در پایتون !
پیش بینی و ارزیابی مدل‌های classification در یادگیری ماشین با زبان برنامه نویسی پایتون !
train test split و مقهوم و ضرورت آن + پیاده سازی در پایتون !
مفهوم random state در train test split کردن!
مفهوم stratify و دلیل ضرورت آن + پیاده سازی در پایتون!
توضیح مواردی که استفاده از stratify لازم تر میشود و دلیل اهمیت آن !
پیش بینی با استفاده از مدل یادگیری ماشین !
شاخص صحت (Accuracy) + پیاده سازی در پایتون !
نقص های Accuracy و موارد بروز این نقص !
Confusion Matrix و تحلیل آن + پیاده سازی در پایتون!
Normalized Confusion Matrix و تحلیل آن! + پیاده سازی پایتون !
Heatmap برای هر دو نوع Confusion Matrix و تحلیل آن ! + پیاده سازی در پایتون !
شاخص recall و توضیح مفهومی آن + پیاده سازی پایتون !
شاخص precision و توضیح مفهومی آن + پیاده سازی پایتون !
شاخص specificity و توضیح مفهومی آن + پیاده سازی پایتون !
نقص های recall و precision و specificity !
شاخص f1 و تعبیر مفهومی آن + پیاده سازی در پایتون !
میانگین هارمونیک و توضیح مفهومی دلیل فرمول شاخص f1 !
ROC (تئوری کامل و نحوه رسم قدم به قدم)!
ROC و پیاده سازی در زبان برنامه نویسی پایتون !
بصری سازی مرزهای تصمیم گیری مدل با meshgrid !
تمیزسازی کد و ساخت قالب برای استفاده در سایر بخش ها !
Logistic Regression در یادگیری ماشین !
آشنایی با تئوری + پیاده سازی در پایتون !
درخت تصمیم (Decision Tree) در یادگیری ماشین !
آشنایی با تئوری + پیاده سازی در پایتون !
الگوریتم Random Forest در یادگیری ماشین !
آشنایی با تئوری + پیاده سازی در پایتون!
مفهوم ensemble learning !
مفاهیم Overfit و Underfit و … !
مفهوم Overfit و دلیل بروز آن با مثال عملی در پایتون !
مفهوم Underfit و دلیل بروز آن با مثال عملی در پایتون !
مفهوم Good fit !
مفوم random state در مدل ها !
الگوریتم Naïve Bayes در یادگیری ماشین با زبان برنامه نویسی پایتون !
مروری بر احتمال !
مروری بر احتمال شرطی !
مروری بر قانون/قضیه بیز !
مروری بر قانون احتمال کل !
مروری بر مفهوم و روابط استقلال در آمار !
تئوری کامل Naïve Bayes (در حدی که دستی، دونه دونه رو حل میکنیم!)
تصحیح Laplace و Lidstone !
مروری بر مفروضات این الگوریتم و نقدهای وارده به آن !
پیاده سازی Naive Bayes در یک پکیج خاص ! (و بررسی حالات categorical و numeric !)
الگوریتم SVM در یادگیری ماشین با پایتون !
توضیح مفهومی و خیلی خوب الگوریتم !
توضیح دلیل قوت الگوریتم SVM !
آشنایی با Kernel و Kernel Trick !
آشنایی با Soft Margin در SVM !
پیاده سازی الگوریتم SVM در زبان برنامه نویسی پایتون !
کار با داده های Categorical در یادگیری ماشین با پایتون !
داده های nominal با دو مقدار (پیاده سازی در پایتون با دو روش)!
داده های nominal با بیش از دو مقدار (پیاده سازی در پایتون با دو روش)!
داده های Ordinal (پیاده سازی در پایتون با دو روش)!
آشنایی با One Hot و Dummy Variables و تفاوت این دو از منظر گروهی از متخصصین حوزه یادگیری ماشین !
در نظر گرفتن featureهای categorical در الگوریتم های یادگیری ماشین!
پاسخ به این سوال: آیا برای one hot ها scale کردن نیاز است؟!
Cross Validation در یادگیری ماشین با پایتون !
مفهوم Cross Validation !
تئوری K Fold Cross Validation !
پیاده سازی پایتون K-Fold Cross Validation با روش اصولی!
پیاده سازی پایتون Stratified K-Fold Cross Validation با روش اصولی!
کلاس بندی با بیش از دو کلاس (multi-class classification) در یادگیری ماشین با پایتون !
آشنایی با دیتاست iris !
آشنایی با multi-class classification + پیاده سازی در پایتون !
روش های ارزیابی آن !
راه های تعمیم f1 به multi-class classification !
راه های تعمیم recall و precision به multi-class classification !
macro Average و Weighted Average برای برخی شاخص های ارزیابی!
پیش بینی یک داده کاملاً جدید در یادگیری ماشین با پایتون !
پیش بینی یک داده جدید با کمک مدل های یادگیری ماشین !
در نظر گرفتن ابعاد داده و سایر مشکلات احتمالی در صورت عدم توجه!
بخش 3: رگرسیون (Regression) در یادگیری ماشین با پایتون !
آشنایی با دیتاست (برای پیش بینی میزان مصرف سوخت خودرو) !
پیش بینی و ارزیابی مدل‌های رگرسیون در یادگیری ماشین !
رگرسیون خطی ساده (آشنایی با تئوری + پیاده سازی در پایتون) !
پیش بینی و ارزیابی مدل‌های رگرسیون در یادگیری ماشین با پایتون !
روش MAE !
روش MSE !
روش RMSE !
روش MAPE و توضیح مفهوم آن !
روش r2 و توضیح خیلی مفهومی آن !
صحبت در مورد اینکه کدام شاخص بهتر است؟!
آیا r2 میتونه منفی بشه؟! اگر آره تعبیرش چیه؟!
پیاده سازی موارد بالا در زبان برنامه نویسی پایتون !
رگرسیون خطی چند متغیره در یادگیری ماشین !
رگرسیون خطی چند متغیره (آشنایی با تئوری + پیاده سازی در پایتون) !
رگرسیون چند جمله ای در یادگیری ماشین با پایتون !
آشنایی با تئوری رگرسیون چند جمله ای!
تبدیل های خطی آن !
Polynomial Features !
پیاده سازی در زبان برنامه نویسی پایتون !
SVR در یادگیری ماشین با پایتون !
آشنایی با تئوری SVR ! + اشاره به Soft Margin در الگوریتم مذکور !
پیاده سازی در زبان برنامه نویسی پایتون !
درخت تصمیم برای رگرسیون در یادگیری ماشین با پایتون !
آشنایی با تئوری + پیاده سازی در پایتون !
Random Forest برای رگرسیون در یادگیری ماشین با پایتون !
آشنایی با تئوری + پیاده سازی در زبان برنامه نویسی پایتون !
بخش 4: خوشه بندی (Clustering) در یادگیری ماشین با پایتون !
آشنایی با دیتاست مربوطه برای خوشه بندی مشتریان !
برخی مقدمات مورد نیاز قبل از ورود به بحث خوشه بندی در یادگیری ماشین !
برخی از روش های محاسبه فاصله مهم !
روش محاسبه مرکز ثقل !
آشنایی با مفهوم خوشه بندی !
الگوریتم K-Means در یادگیری ماشین در زبان پایتون !
تئوری الگوریتم K-Means به صورت قدم به قدم !
بررسی نقد شروع تصادفی برای K-Means و راهکار مربوطه (K-Means++) !
بررسی برخی فلاکت های الگوریتم K-Means !
بررسی روش Elbow برای پیشنهاد k مناسب !
پیاده سازی الگوریتم K-Means در پایتون (دیتاست خوشه بندی مشتریان) !
پیاده سازی روش Elbow در پایتون !
پیش بینی برچسب ها و ارزیابی خوشه بندی در یادگیری ماشین با زبان پایتون !
روش های متفاوت برای پیش بینی برچسب در پکیج scikit-learn !
روش Silhouette و توضیح دقیق و مفهومی نحوه محاسبه !
صحبت در مورد مقادیر ممکن شاخص Silhouette و تعبیر آن ها !
پیاده سازی Silhouette برای ارزیابی خوشه بندی در پایتون !
خوشه بندی سلسله مراتبی در یادگیری ماشین با زبان برنامه نویسی پایتون !
روش های محاسبه فاصله خوشه‌ها !
آشنایی با روش های linkage معروف مثل Simple، Complete، Average، Centroid، Ward !
آموزش قدم به قدم خوشه بندی سلسله مراتبی !
آموزش قدم به قدم نحوه رسم Dendrogram !
آموزش پیاده سازی و نحوه ترسیم dendrogram !
آموزش تعیین تعداد خوشه پیشنهادی با استفاده از روش dendrogram !
آموزش تحلیل dendrogram !
آموزش خوشه بندی Agglomerative در پایتون !
ترسیم نقاط دیتاست + رنگ کردن نقاط طبق خوشه !
بخش 5: کاهش ابعاد در یادگیری ماشین با پایتون !
انتخاب ویژگی در یادگیری ماشین با پایتون !
توضیح مفهوم Feature Selection !
توضیخ قدم به قدم روش permutation feature importance برای انتخاب ویژگی !
توضیح تعابیر مقادیر مختلف شاخص فوق !
نحوه پیاده سازی permutation feature importance در زبان برنامه نویسی پایتون !
استخراج ویژگی در یادگیری ماشین با پایتون !
آشنایی با تئوری Principle Component Analysis !
آشنایی با Kernel PCA !
آموزش پیاده سازی PCA و Kernel PCA در زبان برنامه نویسی پایتون !
نشان دادن جایی که استخراج ویژگی باعث بهبود نتایج میشود (به صورت عملی و در قالب یک دیتاست معروف)! و توضیح تعبیر و دلیل آن !
بخش 6: جمع بندی نهایی !
یک سری نکات نهایی !
به امید اینکه رضایت 100 درصدی از مجموعه کولاک داشته باشید!
سوالات پرتکرار شما !
اگر کسی صفر باشه این دوره به دردش میخوره؟!
نه! چون این دوره دو سری پیش‌نیاز داره که در بخش پیش‌نیازها (بالاتر همین متن رو نگاه کنید) توضیح دادیم!
اما بجز اونایی که خودمون در بالا گفتیم پیش نیاز دیگری نداره!
چجوری فایل های در اخیتارمون قرار میگیره ؟!
به صورت DVD و فلش و … نیست! بلکه اینطوری است که بعد از تهیه این دوره، در پروفایل کاربری خودتون در وبسایت!، این مطالب قرار گرفته و میتونید دانلود کنید! پس جواب کلی اینه که در پروفایل کاربری خودتون در وبسایت ما قابل دانلود است!
جزوه و تمرین داره؟!
جزوه: در حال حاضر خیر!
تمرین: در حاض حاضر خیر!
ولی بنا داریم در آینده اضافه کنیم ! (البته بعد از اضافه کردن، قیمت محصول بروزرسانی خواهد شد).
هنوز بررسی‌ای ثبت نشده است.
.فقط مشتریانی که این محصول را خریداری کرده اند و وارد سیستم شده اند میتوانند برای این محصول دیدگاه(نظر) ارسال کنند.
جهت دسترسی به لینک ها ابتدا محصول را خریداری نمایید
سوالات پرتکرار [شامل مشکل در دانلود و بازکردن فایل و پشتیبانی و غیره]
هنوز بررسی‌ای ثبت نشده است.