🔊 برنامه نویسی شی گرا (Object Oriented Programing) چیست؟

📍برنامه نویسی شی گرا (Object Oriented Programming) که به اختصار OOP نیز نامیده می‌شود، در حقیقت نوعی منطق یا الگوست که برگرفته از زندگی روزمره‌ی ما است. در اطراف خود به هر کجا بنگرید اشیایی را می بینید. پس انسان بر اساس اشیا فکر می کند. در برنامه نویسی شی گرا نیز ما می کوشیم که مفاهیم برنامه نویسی را، همانند اشیای دنیای واقعی مدل کنیم. زیرا ذهن انسان توانایی بالایی در انتزاع یا تجرید دارد و مدل سازی اشیا دارد.

در دوره ‌پایتون Bigdataserve ، برنامه نویسی شی گرا نیز در پایتون آموزش داده می شود.
___________
📚@Bigdataserve

#Machine_Learning
#Linear_Regression
Source: www.Lynda.com
Part 42/47
دوره آموزش مبانی یادگیری ماشین و هوش مصنوعی
💡رگرسیون چندگانه
قسمت چهل و دوم
Logistic regression

📚@BigDataServe

شروع کلاس از فردا
روزهای پنجشنبه و جمعه ساعت ۱۸ الی ۲۰

🔊دوستان شرکت کننده در دوره آنلاین

لطفا پیش از شروع کلاس طبق فایل راهنما، پایتون و ژویپتر را نصب نمایید که با آمادگی کامل کلاس را شروع بفرمایید.

📌جهت هرگونه سوال به آیدی @BigDataServe_admin مراجعه بفرمایید.

موفق باشید
________
📚@BigDataServe

#Machine_Learning
#Linear_Regression
Source: www.Lynda.com
Part 43/47
دوره آموزش مبانی یادگیری ماشین و هوش مصنوعی
💡رگرسیون چندگانه
قسمت چهل و سوم
Regression options

📚@BigDataServe

#datamining
Source: www.Lynda.com
Part 50/53
دوره آموزش اصول و مبانی علم داده
قسمت پنجاهم - متن کاوی با استفاده از نرم افزار R

📚@BigDataServe

#course #coursera #deeplearning #bayesian #machine_learning
🔳 برای توسعه توانایی و دانش و مهارت خود در زمینه یادگیری ماشینی می توانیم با یادگیری ماشین بیزین که یکی از کاربردی ترین شاخه های ML است، در این زمینه خود را متخصص تر و آشنا تر کنیم.
به همین منظور به سراغ مشهورترین دوره در این زمینه یعنی دوره یادگیری ماشین بیزین سایت کورسرا می رویم.

🟣یکی از زیبا ترین و کاربردی ترین موضوعات در هوش مصنوعی، یادگیری ماشین مبتنی بر قانون بیز و احتمالات شرطی می باشد.
در زیر به بررسی این دوره پرداخته ام.

ضمن اینکه با کوییز های کامل و مناسب،توانسته در قالب مسائل و سوالات واقعی ، تسلط خوبی را برای دانشجو ایجاد کند.

🔴 اطلاعات و تحلیل دوره
http://www.armanbehnam.com/about-me/education/bayesian-ml-advanced/
📍محتوای این پست در لینکدین :
https://plink.ir/qFB7l
📌فایل های آموزشی و تمرین های این دوره در لینک گیت هاب :
https://plink.ir/Xuw1r
_______
📚@BigDataServe

#Machine_Learning
#Linear_Regression
Source: www.Lynda.com
Part 44/47
دوره آموزش مبانی یادگیری ماشین و هوش مصنوعی
💡رگرسیون چندگانه
قسمت چهل و چهارم
Regression trees

📚@BigDataServe

#datamining
Source: www.Lynda.com
Part 51/53
دوره آموزش اصول و مبانی علم داده
قسمت پنجاه و یکم - متن کاوی با استفاده از نرم افزار پایتون

📚@BigDataServe

#Machine_Learning
#Linear_Regression
Source: www.Lynda.com
Part 45/47
دوره آموزش مبانی یادگیری ماشین و هوش مصنوعی
💡رگرسیون چندگانه
قسمت چهل و پنج
Path analysis and structural equation modeling

📚@BigDataServe

#datamining
Source: www.Lynda.com
Part 52/53
دوره آموزش اصول و مبانی علم داده
قسمت پنجاه و دوم - متن کاوی با استفاده از نرم افزار RapidMiner

📚@BigDataServe

🔻در این فایل به طور خلاصه با مفاهیم تئوری ساخت مدل های یادگیری ماشین و مراحلی همچون پاکسازی داده، مهندسی ویژگی ها، تحلیل های آماری و در نهایت روش های اعتبارسنجی مدل آشنا خواهیم شد.
_________
📚@BigDataServe

#Machine_Learning
#Linear_Regression
Source: www.Lynda.com
Part 46/47
دوره آموزش مبانی یادگیری ماشین و هوش مصنوعی
💡رگرسیون چندگانه
قسمت چهل و ششم
Time series forecasting

📚@BigDataServe

#datamining
Source: www.Lynda.com
Part 53/53
دوره آموزش اصول و مبانی علم داده
قسمت پنجاه و سوم (قسمت آخر) - Next steps

📚@BigDataServe

#multi_task_learning #meta_learning #deep_learning #meta_learning
part: 4/14

⚪️ Stanford CS330: Multi-Task and Meta-Learning, 2019 | Lecture 4 - Non-Parametric Meta-Learners





دوره متا لرنینگ دانشگاه استنفورد:
این دوره شامل مباحث پیشرفته ی deep learning و reinforcement learning است

قسمت چهارم - متا لرنینگ غیر پارامتری

📚@BigDataServe

#Machine_Learning
#Linear_Regression
Source: www.Lynda.com
Part 47/47
دوره آموزش مبانی یادگیری ماشین و هوش مصنوعی
💡رگرسیون چندگانه
قسمت چهل و هفتم (قسمت آخر)
What's next

📚@BigDataServe

#Linear_Regression
🔻یکی از پرکاربردترین روش های مدلسازی داده ها که پایه ریاضی بسیار ساده ای هم دارد رگرسیون خطی است.

📖هرگاه بتوانیم بین دو متغیر یک رابطه خطی را تشخیص دهیم، میتوانیم از این نوع رگرسیون برای پیش بینی مقادیر این متغیرها بر اساس متغیر دیگر استفاده کنیم.

📎منظور از رابطه خطی این است که ببینیم با افزایش یک متغیر، متغیر دیگر افزایش (یا کاهش) یافته و با کاهش آن نیز متقابلا متغیر دوم، کاهش (یا افزایش) می یابد و این افزایش یا کاهش، رابطه مستقیمی با مقدار متغیر اول که آنرا متغیر مستقل می نامند دارد.

✏️یک راه ساده برای کشف این رابطه این است که در یک نمودار، مقدار یک متغیر را براساس متغیر دومی رسم کنیم و اگر شکل حاصل، شبیه به یک خط مستقیم شد میتوانیم نتیجه بگیریم که رابطه این دو متغیر یک رابطه خطی است. به این نمودار، نمودار پراکنش نیز میگویند.
📚@BigDataServe

🌟بخش اول از دوره آموزش اصول و مبانی علم داده🌟

🔸قسمت اول: آشنایی با دوره

🔸قسمت دوم: چرا باید این دوره را ببینیم؟

🔸قسمت سوم: ملزومات داده کاوی

🔸قسمت چهارم: ملزومات الگوریتم های داده کاوی

🔸قسمت پنجم: نرم افزارهای داده کاوی

🔸قسمت ششم: اهداف کاهش ابعاد داده

🔸قسمت هفتم: الگوریتم های کاهش بعد

🔸قسمت هشتم: کاهش ابعاد داده با نرم افزار R

🔸قسمت نهم: کاهش ابعاد داده با نرم افزار Python

🔸قسمت دهم: کاهش ابعاد داده با نرم افزار Orange

🔸قسمت یازدهم: کاهش ابعاد داده با نرم افزار RapidMiner

🔸قسمت دوازدهم: اهداف خوشه بندی

🔸قسمت سیزدهم: خوشه بندی داده

🔸قسمت چهاردهم: خوشه بندی داده با نرم افزار R

🔸قسمت پانزدهم: خوشه بندی داده با نرم افزار Python

🔸قسمت شانزدهم: خوشه بندی داده با نرم افزار BigML

🔸قسمت هفدهم: خوشه بندی داده با نرم افزار Orange

📚@BigDataServe
🌐www.Lynda.com

🌟بخش دوم از دوره آموزش اصول و مبانی علم داده🌟

🔸قسمت هجدهم: اهداف طبقه بندی داده

🔸قسمت نوزدهم: طبقه بندی داده ها

🔸قسمت بیستم: طبقه بندی داده ها با نرم افزار R

🔸قسمت بیست و یکم: طبقه بندی داده ها با نرم افزار Python

🔸قسمت بیست و دوم: طبقه بندی داده ها با نرم افزار RapidMiner

🔸قسمت بیست و سوم: طبقه بندی داده ها با استفاده از نرم افزار KNIME

🔸قسمت بیست و چهارم: اهداف تشخیص ناهنجاری

🔸قسمت بیست و پنجم: تشخیص ناهنجاری

🔸قسمت بیست و ششم: تشخیص ناهنجاری با نرم افزار R

🔸قسمت بیست و هفتم: تشخیص ناهنجاری با نرم افزار Python

🔸قسمت بیست و هشتم: تشخیص ناهنجاری با نرم افزار RapidMiner

🔸قسمت بیست و نهم: تشخیص ناهنجاری با استفاده از نرم افزار BigML

📚@BigDataServe
🌐www.Lynda.com

🌟بخش سوم از دوره آموزش اصول و مبانی علم داده🌟

🔸قسمت سی ام: تجزیه و تحلیل همبستگی بین داده ها

🔸قسمت سی و یکم: اهداف تجزیه و تحلیل همبستگی بین داده ها

🔸قسمت سی و دوم: تجزیه و تحلیل همبستگی بین داده ها با نرم افزار R

🔸قسمت سی و سوم: تجزیه و تحلیل همبستگی بین داده ها با نرم افزار Python

🔸قسمت سی و چهارم: تجزیه و تحلیل همبستگی بین داده ها با نرم افزار Orange

🔸قسمت سی و پنجم: تجزیه و تحلیل همبستگی بین داده ها با نرم افزار KNIME

🔸قسمت سی و ششم: اهداف آنالیز رگرسیون

🔸قسمت سی و هفتم: روش های آنالیز رگرسیون

🔸قسمت سی و هشتم: آنالیز رگرسیون با نرم افزار R

🔸قسمت سی و نهم: آنالیز رگرسیون با نرم افزار Python

🔸قسمت چهلم: آنالیز رگرسیون با نرم افزار KNIME

🔸قسمت چهل و یکم: آنالیز رگرسیون با نرم افزار RapidMiner

🔸قسمت چهل و دوم: اهداف کشف توالی در داده

🔸قسمت چهل و سوم: الگوریتم های کشف توالی

📚@BigDataServe
🌐www.Lynda.com