LunarTech – Machine Learning Fundamentals 2024-12

در تاریخ: 1403/12/14 12:07:29

توضیحات

Machine Learning Fundamentals، دوره آموزش مبانی یادگیری ماشین توسط آکادمی LunarTech یودمی منتشر شده است. سطح مهارت‌های یادگیری ماشین خود را ارتقا دهید. مبانی یادگیری ماشین را که کارفرمایان به دنبال آن هستند، فرا بگیرید. یک بنیاد قوی در مفاهیم و اصطلاحات یادگیری ماشین ایجاد کنید که به شما امکان می‌دهد تصمیمات آگاهانه‌ای درباره مسیر شغلی خود بگیرید. تجربه عملی در استفاده از یادگیری ماشین برای حل چالش‌های عملی کسب کنید و ۶ پروژه پرتفولیو ایجاد کنید که توانایی‌های شما را نشان می‌دهد. الگوریتم‌های ضروری یادگیری ماشین را بیاموزید که به شما انعطاف‌پذیری در مقابله با چالش‌های مختلف داده و تاثیرگذاری بر کارفرمایان احتمالی می‌دهد. دانشی را که برای انتخاب مدل‌ها و تکنیک‌های مناسب یادگیری ماشین نیاز دارید، توسعه دهید و خود را به عنوان یک حل‌کننده مسائل ارزشمند معرفی کنید.

آنچه خواهید آموخت

مبانی یادگیری ماشین
برخورد با مشکلات دنیای واقعی
تسلط بر تکنیک‌های مورد تقاضا
انتخاب مسیر صحیح
درک مبانی یادگیری ماشین، تجارت‌های تعصب-واریانس، و تکنیک‌های تنظیم
تسلط بر رگرسیون خطی و لجستیک، پیش‌بینی نتایج پیوسته و درک مفاهیم آماری اصلی

مشخصات دوره Machine Learning Fundamentals

ناشر : LunarTech
مدرس : Tatev Aslanyan
زبان: انگلیسی
سطح آموزش: تمام سطوح
تعداد دروس: 21
مدت زمان آموزش: 4 ساعت و 4 دقیقه

سر فصل های دوره Machine Learning Fundamentals

0. Introduction
1. Machine Learning Basics
2. Bias-Variance Trade-off
3. Overfitting Regularization
4.1 Linear Regression – Causal Analysis (Part 1)
4.2 Linear Regression – (Part 2)
5. Logistic Regression & Maximum Likelihood Estimation (MLE)
6. Linear Discriminant Analysis (LDA)
7. K-Nearest Neighbors (KNN)
8. Decision Trees
9. Bagging
10. Random Forest
11. (Boosting Part 1) Introduction
12. Boosting (Part 2) – AdaBoost
13. Boosting (Part 3) – Gradient Boosting Model (GBM)
14. Boosting (Part 4) – XGBoost
15. Clustering (Part 1) – K-Means & Elbow Method
16. Clustering (Part 2) – Hierarchical Clustering
17. Clustering (Part 3) – DBScan
18. Dimensionality Reduction (Part 1) – Feature Selection
19. Dimensionality Reduction (Part 2) – Principal Component Analysis