دوره یادگیری ماشین با استفاده از برنامه‌نویسی پایتون

آنچه یاد خواهید گرفت: الگوریتم‌ها و اصطلاحات یادگیری ماشین هوش مصنوعی کتابخانه‌های پایتون - Numpy و Pandas و Scikit-learn و Matplotlib و Seaborn پیش‌نیازهای دوره بله، داشتن دانش اولیه در پایتون ترجیح داده می‌شود. توضیحات دوره یادگیری ماشین یعنی اینکه یک ماشین با هوش مصنوعی چگونه مانند یک انسان یاد می‌گیرد. به دوره‌ یادگیری ماشین و پیاده‌سازی آن با استفاده از پایتون 3 خوش آمدید. همان‌طور که از عنوان پیداست، برای درک بهتر بخش پیاده‌سازی، داشتن دانش پایه در پایتون 3 توصیه می‌شود، اما اجباری نیست. این دوره محتوای قدرتمندی درباره‌ مفاهیم اصلی ML، از جمله ویژگی‌ها، مراحل ساخت مدل ML مانند پیش‌پردازش داده، فاین تیونینگ مدل، بیش‌برازش، کم‌برازش، بایاس، واریانس، ماتریس درهم‌ریختگی و معیارهای عملکرد مدل ML دارد. همچنین اهمیت بسیاری از تکنیک‌های پیش‌پردازش مانند باینری‌سازی و MinMaxScaler و اسکالر استاندارد را بررسی می‌کنیم. ما می‌توانیم بسیاری از الگوریتم‌های ML را با استفاده از کتابخانه‌ scikit-learn در پایتون تنها با چند خط کد پیاده‌ کنیم. درست است؟ اما این کار به ما کمک نمی‌کند که خود الگوریتم‌ها را درک کنیم. به همین دلیل، در این دوره ابتدا منطق ریاضی و مفاهیم پشت الگوریتم‌ها را بررسی کرده و سپس همان‌ها را در پایتون پیاده‌ خواهیم کرد. همچنین برای جذاب‌تر شدن مطالب، الگوریتم‌ها را مصورسازی می‌کنیم. الگوریتم‌هایی که در دوره بررسی خواهیم کرد عبارتند از: رگرسیون خطی رگرسیون لجستیک ماشین‌های بردار پشتیبان KNN Classifier رگرسور KNN درخت تصمیم‌گیری Classifier جنگل تصادفی Classifier بیز ساده خوشه‌بندی و موارد دیگر ما نتایج همه‌ الگوریتم‌ها را با هم مقایسه می‌کنیم و یک رویکرد تحلیلی خوب می‌سازیم. منتظر چه هستید؟ این دوره برای چه کسانی مناسب است؟ توسعه‌دهندگان مبتدی پایتون