دوره یادگیری کامل ماشین و علم داده با پایتون - ML از صفر تا صد

آنچه یاد خواهید گرفت: کتابخانه‌های علم داده مانند Numpy و Pandas و Matplotlib و Scipy و Scikit Learn و Seaborn و Plotly و بسیاری موارد دیگر مفهوم یادگیری ماشین و انواع مختلف یادگیری ماشین الگوریتم‌های یادگیری ماشین مانند رگرسیون، طبقه‌بندی، Classifier بیزهای ساده، درخت تصمیم‌گیری، الگوریتم ماشین بردار پشتیبان و غیره مهندسی ویژگی مبانی پایتون پیش‌نیازهای دوره نیازی به تجربه قبلی در برنامه‌نویسی نیست. توضیحات دوره هوش مصنوعی مرز دیجیتال بعدی است و پیامدهای عمیقی برای کسب‌وکار و جامعه دارد. بر اساس گزارش Fortune Business Insights، اندازه بازار جهانی هوش مصنوعی تا 2026 به 202.57 میلیارد دلار خواهد رسید. این دوره علم داده و یادگیری ماشین (ML) فقط یک دوره عملی و پروژه‌ محور نیست، بلکه چندین یوزکیس را هم شامل می‌شود تا دانشجویان بتوانند نیازهای واقعی صنعت و فرهنگ کاری را درک کنند. اینها همان نیازهایی هستند که برای توسعه هر نوع اپلیکیشن سطح‌ بالا در حوزه هوش مصنوعی لازم‌ هستند. در این دوره چندین پروژه یادگیری ماشین (ML) گنجانده شده است. پروژه - بخش‌بندی مشتریان با استفاده از خوشه‌بندی K Means پروژه - تشخیص اخبار جعلی با استفاده از یادگیری ماشین (پایتون) پروژه COVID-19 - پیش‌بینی احتمال ابتلا به کرونا با استفاده از یادگیری ماشین پروژه - فشرده‌سازی تصویر با استفاده از خوشه‌بندی K-means - کمی‌سازی رنگ با استفاده از K-Means این دوره شامل موضوعات زیر است: علم داده چیست؟ توضیح هوش مصنوعی، یادگیری ماشین و یادگیری عمیق مفهوم یادگیری ماشین - یادگیری ماشین نظارت‌ شده، یادگیری ماشین نظارت نشده و یادگیری تقویتی پایتون برای تحلیل داده - Numpy محیط کاری Google Colab نصب Anaconda Jupyter Notebook تحلیل داده با Pandas Matplotlib یادگیری ماشین نظارت‌ شده چیست؟ رگرسیون طبقه‌بندی نمونه کاربرد رگرسیون چندخطی - پیش‌بینی قیمت مسکن بوستون ذخیره مدل رگرسیون لجستیک روی مجموعه‌ داده گل زنبق Classifier بیزهای ساده روی مجموعه‌ داده شراب Classifier بیزهای ساده برای طبقه‌بندی متن درخت تصمیم‌گیری الگوریتم نزدیکترین همسایه K (KNN) الگوریتم ماشین بردار پشتیبان الگوریتم جنگل تصادفی یادگیری ماشین بدون نظارت چیست؟ انواع یادگیری بدون نظارت مزایا و معایب یادگیری بدون نظارت خوشه‌بندی چیست؟ خوشه‌بندی K-means فشرده‌سازی تصویر با استفاده از خوشه‌بندی K-means - کمی‌سازی رنگ با استفاده از K-Means کم‌برازش، بیش‌برازش و برازش مناسب در یادگیری ماشین چگونه از بیش‌برازش در یادگیری ماشین جلوگیری کنیم؟ مهندسی ویژگی Teachable Machine مبانی پایتون در سال‌های اخیر، ماشین‌های خودران، دستیارهای دیجیتال، کارکنان رباتیک کارخانه و شهرهای هوشمند ثابت کرده‌اند که ماشین‌های هوشمند امکان‌پذیر هستند. هوش مصنوعی بیشتر بخش‌های صنعتی مانند خرده‌فروشی، تولید، امور مالی، سلامت و رسانه را متحول کرده و همچنان در حال ورود به حوزه‌های جدید است. هر روز یک اپلیکیشن، محصول یا خدمت جدید معرفی می‌شود که از یادگیری ماشین برای هوشمندتر و بهتر شدن استفاده می‌کند. نکته - در توضیحات، یادداشت‌های مرجع نیز ارائه شده‌اند. یادداشت‌های مرجع را باز کنید؛ لینک دانلود در آنها وجود دارد. می‌توانید مجموعه‌ داده‌ها را از همان‌جا دانلود کنید. این دوره برای چه کسانی مناسب است؟ کسی که به یادگیری ماشین علاقه‌مند است. دانشجویان دانشگاه که می‌خواهند مسیر شغلی خود را در علم داده آغاز کنند.