اکسپرس 24
کتاب آموزش Python و کتابخانه Scikit-learn برای یادگیری ماشین

کتاب آموزش Python و کتابخانه Scikit-learn برای یادگیری ماشین

تگ‌ها: Python Scikit-learn آموزش Python آموزش یادگیری ماشین برنامه نویسی پایتون داده کاوی علم داده کتابخانه Scikit-learn ماشین لرنینگ یادگیری ماشین

انتخاب پلن

افزودنی‌های اختیاری

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش Python و کتابخانه Scikit-learn برای یادگیری ماشین

موضوع کلی: برنامه نویسی

موضوع میانی: زبان‌های برنامه‌نویسی**

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری ماشین و جایگاه پایتون
  • 2. نصب و راه‌اندازی محیط توسعه پایتون برای علم داده
  • 3. آشنایی با کتابخانه NumPy و عملیات برداری
  • 4. کار با داده‌ها در Pandas (ساختار Series و DataFrame)
  • 5. پاکسازی و پیش‌پردازش داده‌ها با Pandas
  • 6. تجسم داده‌ها با Matplotlib و Seaborn
  • 7. مفاهیم پایه‌ای یادگیری تحت نظارت و بدون نظارت
  • 8. معرفی کتابخانه Scikit-learn و ساختار آن
  • 9. تقسیم داده‌ها به مجموعه آموزش و تست
  • 10. مهندسی ویژگی و انتخاب ویژگی
  • 11. استانداردسازی و نرمال‌سازی داده‌ها
  • 12. مدل رگرسیون خطی با Scikit-learn
  • 13. رگرسیون چندجمله‌ای و رگرسیون ریج
  • 14. رگرسیون لاسو و رگرسیون شبکه الاستیک
  • 15. مدل رگرسیون لجستیک برای طبقه‌بندی
  • 16. ارزیابی مدل‌های طبقه‌بندی (دقت، صحت، یادآوری، F1)
  • 17. منحنی ROC و AUC
  • 18. روش K-نزدیک‌ترین همسایه (KNN)
  • 19. دسته‌بندی با ماشین بردار پشتیبان (SVM)
  • 20. درخت تصمیم و معیارهای تقسیم (جینی، آنتروپی)
  • 21. جنگل تصادفی و یادگیری گروهی
  • 22. روش Gradient Boosting و AdaBoost
  • 23. روش Naive Bayes برای طبقه‌بندی متنی
  • 24. خوشه‌بندی با K-Means و انتخاب K بهینه
  • 25. خوشه‌بندی سلسله‌مراتبی و دندروگرام
  • 26. خوشه‌بندی DBSCAN و تشخیص نویز
  • 27. کاهش ابعاد با تحلیل مؤلفه‌های اصلی (PCA)
  • 28. کاهش ابعاد با t-SNE و UMAP
  • 29. تشخیص ناهنجاری با Isolation Forest
  • 30. تشخیص ناهنجاری با روش یک‌کلاس SVM
  • 31. انتخاب مدل با اعتبارسنجی متقاطع
  • 32. بهینه‌سازی فراپارامترها با GridSearchCV
  • 33. بهینه‌سازی فراپارامترها با RandomizedSearchCV
  • 34. مدیریت داده‌های نامتوازن (Over-sampling و Under-sampling)
  • 35. مدیریت مقادیر گمشده در داده‌ها
  • 36. رمزگذاری متغیرهای طبقه‌ای (One-Hot Encoding و Label Encoding)
  • 37. ایجاد Pipeline برای خودکارسازی پیش‌پردازش
  • 38. ذخیره و بارگذاری مدل با Joblib و Pickle
  • 39. رگرسیون با درخت تصمیم و جنگل تصادفی
  • 40. پیش‌بینی سری‌های زمانی با Scikit-learn
  • 41. کار با ویژگی‌های متنی (CountVectorizer و TfidfVectorizer)
  • 42. تحلیل احساسات با مدل‌های Scikit-learn
  • 43. تشخیص چهره با PCA و SVM
  • 44. خوشه‌بندی تصاویر با K-Means
  • 45. ارزیابی مدل‌های خوشه‌بندی (Silhouette Score, Davies-Bouldin)
  • 46. مفاهیم overfitting و underfitting و راه‌های مقابله
  • 47. منحنی یادگیری و منحنی اعتبارسنجی
  • 48. اهمیت ویژگی‌ها در مدل‌های مبتنی بر درخت
  • 49. رگرسیون چندمتغیره و تفسیر ضرایب
  • 50. کار با داده‌های حجیم و نمونه‌گیری
  • 51. ترکیب مدل‌ها با Voting و Stacking
  • 52. بهبود عملکرد مدل با مهندسی ویژگی پیشرفته
  • 53. معرفی Stochastic Gradient Descent در Scikit-learn
  • 54. طبقه‌بندی چندکلاسه با روش One-vs-Rest
  • 55. طبقه‌بندی چندکلاسه با روش One-vs-One
  • 56. کار با داده‌های برچسب‌گذاری نشده و Semi-supervised Learning
  • 57. مفاهیم Bias و Variance در یادگیری ماشین
  • 58. رگرسیون غیرخطی با Kernel Ridge
  • 59. مقایسه عملکرد الگوریتم‌های مختلف بر یک مجموعه داده
  • 60. مدیریت خطاها و اشکال‌زدایی در Scikit-learn
  • 61. ایجاد داشبورد ساده برای نمایش نتایج مدل
  • 62. مقدمه‌ای بر یادگیری انتقالی با Scikit-learn
  • 63. کار با ویژگی‌های عددی و مقیاس‌بندی مناسب
  • 64. تکنیک‌های Regularization برای جلوگیری از overfitting
  • 65. تحلیل خوشه‌بندی بر داده‌های واقعی (مطالعه موردی)
  • 66. پیش‌بینی قیمت مسکن با رگرسیون (مطالعه موردی)
  • 67. طبقه‌بندی ایمیل‌های اسپم با SVM و Naive Bayes
  • 68. خوشه‌بندی مشتریان بر اساس رفتار خرید (مطالعه موردی)
  • 69. تشخیص بیماری با داده‌های پزشکی (مطالعه موردی)
  • 70. ارزیابی نهایی و مقایسه مدل‌ها در یک پروژه کامل

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.