1. صفحه اصلی
  2. »
  3. آموزش
  4. »
  5. آموزش تصویری
  6. »
  7. Udemy – The Complete Machine Learning & Deep Learning Bootcamp 2026-7
The Complete Machine Learning & Deep Learning Bootcamp

Udemy – The Complete Machine Learning & Deep Learning Bootcamp 2026-7

توضیحات

The Complete Machine Learning & Deep Learning Bootcamp دوره آموزشی مبانی یادگیری ماشین به مفاهیم پیشرفته‌ی یادگیری عمیق و توسعه‌ی عملی هوش مصنوعی می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. این دوره مسیری ساختاریافته از آماده‌سازی داده، تحلیل اکتشافی داده، یادگیری نظارت‌شده و بدون‌نظارت، رگرسیون، طبقه‌بندی، خوشه‌بندی، ارزیابی مدل، مهندسی ویژگی و بهینه‌سازی ارائه می‌دهد، پیش از پیشروی به سمت شبکه‌های عصبی و تکنیک‌های مدرن یادگیری عمیق. فراگیران تجربه‌ی عملی کار با پایتون و کتابخانه‌های محبوب یادگیری ماشین به‌دست می‌آورند و درکی از نحوه‌ی آموزش، ارزیابی، بهبود و استقرار مدل‌های هوشمند پیدا می‌کنند. دوره با آماده‌سازی داده و تحلیل اکتشافی داده شروع می‌شود و عادت درک کامل داده پیش از مدل‌سازی آن را می‌سازد. از آنجا، با یادگیری نظارت‌شده و بدون‌نظارت کار می‌کنید، شامل رگرسیون، طبقه‌بندی و خوشه‌بندی، و مدل‌های واقعی در Scikit-Learn می‌سازید، از رگرسیون خطی ساده تا مجموعه‌های XGBoost برای عملکرد پیش‌بینی قوی‌تر.

کیفیت مدل در سراسر دوره جدی گرفته می‌شود: مهندسی ویژگی و بهینه‌سازی را همراه با تکنیک‌های صحیح ارزیابی یاد می‌گیرید و به‌طور خاص یاد می‌گیرید مشکلاتی که به‌آرامی پروژه‌های واقعی یادگیری ماشین را خراب می‌کنند — بیش‌برازش، نشت داده، عدم توازن کلاس و هم‌خطی چندگانه — را تشخیص و رفع کنید، نه اینکه صرفاً دنبال یک امتیاز دقت خوش‌ظاهر باشید. با محکم‌شدن این مبانی، دوره به سمت یادگیری عمیق با PyTorch 2.x می‌رود، از مبانی اصلی مانند تنسور و autograd شروع می‌کنید، پیش از ساخت معماری‌های سفارشی nn.Module و نوشتن حلقه‌های آموزش از صفر، تا دقیقاً بدانید در طول آموزش چه اتفاقی می‌افتد، نه اینکه کاملاً به انتزاعات سطح‌بالا متکی باشید. در پایان، قادر خواهید بود هم مدل‌های کلاسیک یادگیری ماشین و هم معماری‌های مدرن یادگیری عمیق را بسازید، ارزیابی کنید و بهبود دهید، با مهارت‌های عملی برای بردن مدل‌های هوشمند از یک مجموعه‌داده‌ی خام تا چیزی واقعاً قابل‌استقرار.

آنچه در دوره The Complete Machine Learning & Deep Learning Bootcamp یاد خواهید گرفت:

  • ساخت و ارزیابی مدل‌های یادگیری ماشین در Scikit-Learn، از رگرسیون خطی تا مجموعه‌های XGBoost
  • تشخیص و رفع مشکلات واقعی‌ای که پروژه‌های یادگیری ماشین را خراب می‌کنند: بیش‌برازش، نشت داده، عدم توازن کلاس و هم‌خطی چندگانه
  • تسلط بر مبانی PyTorch 2.x — تنسورها، autograd، معماری‌های سفارشی nn.Module و حلقه‌های آموزش نوشته‌شده از صفر
  • و …

مشخصات دوره

ناشر: یودمی
مدرس: General Gichohi Kihara
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 84
مدت زمان آموزش: 17 ساعت و 54 دقیقه

سرفصل های دوره

The Complete Machine Learning & Deep Learning Bootcamp

پیش نیازهای دوره The Complete Machine Learning & Deep Learning Bootcamp

Basic Python programming (variables, functions, loops) — no prior machine learning experience required
A free Google account to use Google Colab — all model training happens in the cloud, no GPU purchase needed
Basic high-school-level math is helpful, but every concept is explained from first principles
No prior Flutter or Django experience is needed for the deployment chapters — all integration code is provided and explained line by line

تصاویر دوره

The Complete Machine Learning & Deep Learning Bootcamp

فیلم معرفی دوره The Complete Machine Learning & Deep Learning Bootcamp

راهنمای نصب

پس از Extract، با Player دلخواه خود مشاهده کنید.

زیرنویس: ندارد

کیفیت: 1080p

لینک دانلود

دانلود بخش 1 – 2 گیگابایت

دانلود بخش 2 – 2 گیگابایت

دانلود بخش 3 – 1.5 گیگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

5.5 گیگابایت

 

رتبه دهید

محاسبه حجم دانلود برای ایرانسل به‌صورت تمام‌بها است.

Download Faster Without Limitation

The data center of free servers has applied a non-Iranian IP restriction on some servers
There is no limitation for VIP servers

برچسب ها:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این قسمت نباید خالی باشد
این قسمت نباید خالی باشد
لطفاً یک نشانی ایمیل معتبر بنویسید.
فقط دیدگاه‌هایی که جنبه‌ی استفاده‌ی عمومی دارد، نمایش داده می‌شود؛ درصورت تمایل به دریافت نتیجه‌ی رسیدگیِ دیدگاه خود، ایمیل معتبر وارد کنید.

فهرست