توضیحات
Python Data Science: Unsupervised Machine Learning، دوره آموزش علم داده پایتون: یادگیری ماشینی بدون نظارت توسط آکادمی یودمی منتشر شده است. این یک دوره آموزشی عملی و مبتنی بر پروژه است که برای کمک به شما برای تسلط بر پایه های یادگیری ماشینی بدون نظارت در پایتون طراحی شده است. ما با مرور گردش کار علم داده پایتون، بحث در مورد تکنیک‌ها و کاربردهای یادگیری بدون نظارت و طی کردن مراحل آماده‌سازی داده‌های مورد نیاز برای مدل‌سازی شروع می‌کنیم. شما یاد خواهید گرفت که چگونه دانه بندی ردیف صحیح را برای مدل سازی تنظیم کنید، تکنیک های مهندسی ویژگی را اعمال کنید، ویژگی های مربوطه را انتخاب کنید و داده های خود را با استفاده از نرمال سازی و استانداردسازی مقیاس دهید. ما 3 مدل خوشه‌بندی محبوب را با استفاده از scikit-learn متناسب، تنظیم و تفسیر می‌کنیم. ما با K-Means Clustering شروع می کنیم، یاد می گیریم که مراکز خوشه خروجی را تفسیر کنیم و از نمودارهای اینرسی برای انتخاب تعداد مناسب خوشه ها استفاده می کنیم. در مرحله بعد، خوشه‌بندی سلسله مراتبی را پوشش می‌دهیم، جایی که از dendrograms برای شناسایی خوشه‌ها و نقشه‌های خوشه‌ای برای تفسیر آنها استفاده می‌کنیم. در نهایت ما از DBSCAN برای شناسایی خوشه‌ها و نقاط نویز و ارزیابی مدل‌ها با استفاده از امتیاز شبح آنها استفاده می‌کنیم.
ما همچنین از DBSCAN و جنگل‌های جداسازی برای تشخیص ناهنجاری استفاده خواهیم کرد که یک کاربرد رایج از مدل‌های یادگیری بدون نظارت برای شناسایی الگوهای پرت و غیرعادی است. شما یاد خواهید گرفت که نتایج هر مدل را تنظیم و تفسیر کنید و ناهنجاری ها را با استفاده از نمودارهای زوجی تجسم کنید. در مرحله بعد، مفهوم کاهش ابعاد را معرفی می کنیم، در مورد مزایای آن برای علم داده بحث می کنیم و مراحلی را در گردش کار علم داده که می تواند در آن اعمال شود، بررسی می کنیم. سپس دو تکنیک محبوب را پوشش خواهیم داد: تجزیه و تحلیل مؤلفه اصلی که برای استخراج ویژگی و تجسم داده عالی است و t-SNE، که برای تجسم داده ایده آل است. در آخر موتورهای توصیه را معرفی می‌کنیم و شما با استفاده از تکنیک‌هایی مانند تشابه کسینوس و تجزیه ارزش منفرد، توصیه‌کننده‌های فیلتر مبتنی بر محتوا و مشارکتی ایجاد می‌کنید.
آنچه خواهید آموخت
- تسلط بر مبانی یادگیری ماشینی بدون نظارت در پایتون، از جمله خوشه بندی، تشخیص ناهنجاری، کاهش ابعاد و توصیه کننده ها
- با استفاده از مهندسی ویژگی، انتخاب و مقیاس‌بندی، داده‌ها را برای مدل‌سازی آماده کنید
- برازش، تنظیم و تفسیر سه نوع الگوریتم خوشه بندی: K-Means Clustering، Hierarchical Clustering و DBSCAN
- از تکنیک‌های یادگیری بدون نظارت مانند جنگل‌های جداسازی و DBSCAN برای تشخیص ناهنجاری استفاده کنید
- اعمال و تفسیر دو نوع مدل کاهش ابعاد: تجزیه و تحلیل مؤلفه اصلی (PCA) و t-SNE
- ساخت موتورهای توصیه با استفاده از تکنیک های فیلتر مبتنی بر محتوا و مشارکتی از جمله تشابه کسینوس و تجزیه ارزش منفرد (SVD)
این دوره برای چه کسانی مناسب است
- دانشمندان داده که می خواهند یاد بگیرند که چگونه مدل های یادگیری بدون نظارت را در پایتون بسازند و تفسیر کنند
- تحلیلگران یا کارشناسان BI به دنبال یادگیری بدون نظارت یا انتقال به شغل علم داده هستند
- هر کسی که علاقه مند به یادگیری یکی از محبوب ترین زبان های برنامه نویسی منبع باز در جهان است
مشخصات دوره Python Data Science: Unsupervised Machine Learning
- ناشر : Udemy
- مدرس : Maven Analytics , Alice Zhao
- زبان: انگلیسی
- سطح آموزش: تمام سطوح
- تعداد دروس: 202
- مدت زمان آموزش: 16 ساعت و 46 دقیقه
سر فصل های دوره
پیش نیاز های دوره
- We strongly recommend taking our Data Prep & EDA course before this one
- Jupyter Notebooks (free download, we’ll walk through the install)
- Familiarity with base Python and Pandas is recommended, but not required
تصاویر
فیلم نمونه
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720p
تغییرات:
نسخه 2024/11 نسبت به 2024/4 تغییری در تعداد دروس و مدت زمان دوره نداشته ولی حجم تعدادی از فیلم ها تغییراتی داشته است. همچنین زیرنویس انگلیسی به دوره اضافه شده است.
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
6.07 گیگابایت
3 دیدگاه. همین الان خارج شوید
سلام این دوره عالیه سپاس از ارائه، میشود آپدیت جدید را بررسی کنید و قرار دهید؟
سلام
تغییر زیادی نداشته است.
متشکرم بابت این کورس خوب