معرفی محصول
۵ گام اساسی برای تسلط بر یادگیری ماشین عبارتند از:
- رگرسیون
- طبقه بندی
- خوشه بندی
- کاهش ویژگی
- یادگیری عمیق
در این دوره به آموزش گام سوم و چهارم (خوشه بندی و کاهش ویژگی) در محیط پایتون می پردازیم. آموزش ارائه شده به صورت تئوری و کدنویسی است.
در بخش آموزش کد نویسی از کمک کتابخانه های پرکاربرد پایتون از جمله Numpy، Sklearn، Pandas، Matplot، Scipy و …. بهره گرفته ایم.
از میان مجموعه وسیع کتابخانه ها در پایتون، سه کتابخانه ای که از محبوبیت بیشتری برخوردار هستند عبارتند از:
- Skitlearn (در آموزش های قبل فراگرفتیم)
- Tensorflow (در آینده)
- Scipy (در این آموزش)
با توجه به آنچه در بالا ذکر شده است، نکته جالب توجه در این آموزش، یادگیری یکی دیگر از محبوبترین کتابخانه های پایتون (Scipy) در علم یادگیری ماشین است.
ویژگی های محصول
- مدرس: مهندس زهرا طبابایی
- تخصص: کارشناس ارشد برق و الکترونیک
- موضوع: یادگیری ماشین
- مخاطب: مخاطب: تمامی رشته ها (برق – کامپیوتر – معماری – عمران – مکانیک – فیزیک – و… )
- نرم افزار: کنسول برنامه نویسی در پایتون
- نوع آموزش: ویدیویی
- پاورپوینت: ندارد
معرفی مدرس
- زهرا طباطبایی
- کارشناس ارشد مهندسی برق
- مدرس پردازش تصویر و یادگیری ماشین
- متخصص پردازش تصاویر دیجیتال با کمک الگوریتم های یادگیری ماشین (تصاویر ابرطیفی)
در این دوره به آموزش گام سوم و چهارم (خوشه بندی و کاهش ویژگی) در محیط پایتون می پردازیم. آموزش ارائه شده به صورت تئوری و کدنویسی است.
عناوین آموزشی
- چرا به پیش پردازش داده ها نیاز داریم؟
- عملکرد پیش پردازش داده ها به چه صورت است؟
- آشنایی با مفهوم کاهش ویژگی (انتخاب و استخراج ویژگی).
- معرفی روش خوشه بندی Kmeans.
- معرفی روش خوشه بندی Cmeans.
- مقایسه نقاط ضعف و قوت دو روش Kmeans و Cmeans
- معرفی کتابخانه Scipy و نحوه ی کار با ماژول های مختلف آن.
- استخراج ویژگی LDA و بررسی ویژگی های آن
- مقایسه ی نقاط ضعف و قوت الگوریتم های PCA و LDA.
- بررسی اثر ویژگی های حاصل از LDA بر Logistic Regression
- مرور نکات اساسی روش PCA و نقاط ضعف آن.
- معرفی روش KPCA (Kernel_PCA) به منظور رفع نقاط ضعف PCA.
- بررسی ویژگی های KPCA.
- بررسی مثال کاربردی الگوریتم KPCA و PCA در حذف نویز از تصاویر.
- مقایسه اثر ویژگی های استخراج شده توسط KPCA و PCA بر Logistic Regression.
- معرفی چند روش جدید استخراج ویژگی
- نحوه مطالعه مقالات استخراج ویژگی و …
معرفی یادگیری ماشین
یادگیری ماشین (Machine Learning) یک شاخه از هوش مصنوعی است که به سیستم‌ها توانایی یادگیری توسط خودشان و انجام امور بدون آنکه به طور صریح برای آن‌ها برنامه‌نویسی شده باشند را می‌دهد. یادگیری ماشین برای بسیاری از مسائل جهان واقعی قابل استفاده است.
در طی چند سال اخیر، روش‌های دسته بندی به یکی از مهم‌ترین ابزارهای استخراج و تولید دانش در صنایع و شرکت‌های تجاری تبدیل شده‌اند.
سوال دارید؟
در این صفحه سعی شده تا تمامی مطالب مورد نیاز کاربران پیش از فرایند خرید عرضه شود. با این حال در صورتی که از مدرس سوال دارید می توانید از بخش نظرات در بخش بالای صفحه استفاده کنید. بخش نظرات برای پرسش و پاسخ با مدرس طراحی شده است. هم چنین در صورتی که نسبت به محتوای محصول انتقاد و یا پیشنهاداتی دارید از طریق بخش نظرات آن را مطرح کرده و سپس نسبت به این محصول امتیاز دهید. هرچه امتیاز دهی شما دقیق تر باشد، سایر کاربران به شکل بهتری در استفاده از این محصول و کیفیت مدرس آگاهی پیدا خواهند کرد.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.