This media is not supported in your browser
VIEW IN TELEGRAM
#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
#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
Media is too big
VIEW IN TELEGRAM
#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
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
Forwarded from آرمان بهنام (Taha)
DataScience Cheatsheet.pdf
1.1 MB
🔻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
_________
📚@BigDataServe
This media is not supported in your browser
VIEW IN TELEGRAM
#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
#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
This media is not supported in your browser
VIEW IN TELEGRAM
#datamining
Source: www.Lynda.com
Part 53/53
دوره آموزش اصول و مبانی علم داده
قسمت پنجاه و سوم (قسمت آخر) - Next steps
📚@BigDataServe
Source: www.Lynda.com
Part 53/53
دوره آموزش اصول و مبانی علم داده
قسمت پنجاه و سوم (قسمت آخر) - Next steps
📚@BigDataServe
Media is too big
VIEW IN TELEGRAM
#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
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
This media is not supported in your browser
VIEW IN TELEGRAM
#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
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
Forwarded from آرمان بهنام (Taha)
#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
🔻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
🔸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
🔸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
🔸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
🌟بخش چهارم از دوره آموزش اصول و مبانی علم داده🌟
🔸قسمت چهل و چهارم: کشف توالی با نرم افزار R
🔸قسمت چهل و پنجم: کشف توالی با نرم افزار Python
🔸 قسمت چهل و ششم: کشف توالی با نرم افزار BigML (بخش اول)
🔸قسمت چهل و هفتم: کشف توالی با نرم افزار BigML (بخش دوم)
🔸قسمت چهل و هشتم: اهداف متن کاوی
🔸قسمت چهل و نهم: الگوریتم های متن کاوی
🔸قسمت پنجاهم: متن کاوی با نرم افزار R
🔸قسمت پنجاه و یکم: متن کاوی با نرم افزار Python
🔸قسمت پنجاه و دوم: متن کاوی با نرم افزار RapidMiner
🔸قسمت پنجاه و سوم (قسمت آخر): گام های بعدی
📚@BigDataServe
🌐www.Lynda.com
🔸قسمت چهل و چهارم: کشف توالی با نرم افزار R
🔸قسمت چهل و پنجم: کشف توالی با نرم افزار Python
🔸 قسمت چهل و ششم: کشف توالی با نرم افزار BigML (بخش اول)
🔸قسمت چهل و هفتم: کشف توالی با نرم افزار BigML (بخش دوم)
🔸قسمت چهل و هشتم: اهداف متن کاوی
🔸قسمت چهل و نهم: الگوریتم های متن کاوی
🔸قسمت پنجاهم: متن کاوی با نرم افزار R
🔸قسمت پنجاه و یکم: متن کاوی با نرم افزار Python
🔸قسمت پنجاه و دوم: متن کاوی با نرم افزار RapidMiner
🔸قسمت پنجاه و سوم (قسمت آخر): گام های بعدی
📚@BigDataServe
🌐www.Lynda.com
🔺دوره آموزش اصول و مبانی علم داده
🔸بخش اول شامل قسمت های ۱ تا ۱۷
🔸بخش دوم شامل قسمت های ۱۸ تا ۲۹
🔸بخش سوم شامل قسمت های ۳۰ تا ۴۳
🔸بخش چهارم شامل قسمت های ۴۴ تا آخر
________________________________
با دوستان خود به اشتراک بگذارید!
📚@BigDataServe
🔸بخش اول شامل قسمت های ۱ تا ۱۷
🔸بخش دوم شامل قسمت های ۱۸ تا ۲۹
🔸بخش سوم شامل قسمت های ۳۰ تا ۴۳
🔸بخش چهارم شامل قسمت های ۴۴ تا آخر
________________________________
با دوستان خود به اشتراک بگذارید!
📚@BigDataServe
deeplearningwithpython.pdf
10.9 MB
#deeplearning #keras
🔺کتاب آموزش یادگیری عمیق در پایتون
📣📣📣 شروع ثبت نام دوره آموزش جامع یادگیری عمیق بزودی
📚@BigDataServe
🔺کتاب آموزش یادگیری عمیق در پایتون
📣📣📣 شروع ثبت نام دوره آموزش جامع یادگیری عمیق بزودی
📚@BigDataServe
#course #coursera #nlp
یکی از مهمترین و به روز ترین مباحث در هوش مصنوعی و علم داده، پردازش زبان طبیعی می باشد. برای همین یکی از معتبر ترین دوره های این زمینه را در لینک زیر تحلیل کرده ام که از دوره های سایت کورسرا و جزء مجموعه دوره های مهارت یادگیری ماشین پیشرفته می باشد.
تحلیل و بررسی محتوای دوره :
http://www.armanbehnam.com/about-me/education/nlp-hse/
📪محتوای این پست در لینکدین :
https://bit.ly/30EdtD9
🔊 اسلایدها و فایل های این دوره در گیت هاب
https://plink.ir/ph6cg
______
📚@BigDataServe
یکی از مهمترین و به روز ترین مباحث در هوش مصنوعی و علم داده، پردازش زبان طبیعی می باشد. برای همین یکی از معتبر ترین دوره های این زمینه را در لینک زیر تحلیل کرده ام که از دوره های سایت کورسرا و جزء مجموعه دوره های مهارت یادگیری ماشین پیشرفته می باشد.
تحلیل و بررسی محتوای دوره :
http://www.armanbehnam.com/about-me/education/nlp-hse/
📪محتوای این پست در لینکدین :
https://bit.ly/30EdtD9
🔊 اسلایدها و فایل های این دوره در گیت هاب
https://plink.ir/ph6cg
______
📚@BigDataServe
Forwarded from آرمان بهنام (Taha)
Sumit_Raj_Building_Chatbots_with_Python_Using_Natural_Language_Processing.pdf
5.2 MB
#book
#Machine_Learning
#NLP
کتاب آموزش ساخت chatbots در پایتون با استفاده از یادگیری ماشین و پردازش زبان طبیعی
📚@BigDataServe
#Machine_Learning
#NLP
کتاب آموزش ساخت chatbots در پایتون با استفاده از یادگیری ماشین و پردازش زبان طبیعی
📚@BigDataServe
Media is too big
VIEW IN TELEGRAM
#machinelearning
#scikit_learn
🔸دوره آموزش یادگیری ماشین با کتابخانه Scikit-learn
قسمت اول- معرفی دوره
📚@BigDataServe
#scikit_learn
🔸دوره آموزش یادگیری ماشین با کتابخانه Scikit-learn
قسمت اول- معرفی دوره
📚@BigDataServe
📣 دوره آنلاین جامع یادگیری عمیق و هوش تجاری جهاد دانشگاهی علم و صنعت
📌۸۵ ساعت آموزش به همراه رفع اشکال و پرسش و پاسخ با اساتید دوره
⏰کد ۱: پنجشنبه ها و جمعه ها ۹ تا ۱۲
⏰کد ۲: پنجشنبه ها و جمعه ها ۱۵ تا ۱۸
📅 ۲۴ مهر ماه لغایت ۲ بهمن ماه ۱۳۹۹
🚫 ۲۰ درصد تخفیف ثبت نام زودهنگام تا ۱۵ مهر به تعداد محدود
🔐انجام پروژه های واقعی متناسب با بازار کار
📋مدرک معتبر و قابل ترجمه جهاد دانشگاهی جهت ادامه تحصیل در خارج از کشور
🎁 بازگشت شهریه نفر اول دوره
🔴برای کسب اطلاعات بیشتر پیرامون دوره، کدهای تخفیف، رزومه اساتید و ریز سرفصل ها میتوانید به لینک زیر مراجعه فرمایید:
http://www.armanbehnam.com/about-me/education/jd-dl-bi
🔴 لینک ثبت نام کد ۱ پنجشنبه ها و جمعه ها ۹ تا ۱۲
http://www.jdrouyesh.ir/reg?rgn=41&cls=343246
🔴 لینک ثبت نام کد ۲ پنجشنبه ها و جمعه ها ۱۵ تا ۱۸
http://www.jdrouyesh.ir/reg?rgn=41&cls=343247
📚@BigDataServe
📌۸۵ ساعت آموزش به همراه رفع اشکال و پرسش و پاسخ با اساتید دوره
⏰کد ۱: پنجشنبه ها و جمعه ها ۹ تا ۱۲
⏰کد ۲: پنجشنبه ها و جمعه ها ۱۵ تا ۱۸
📅 ۲۴ مهر ماه لغایت ۲ بهمن ماه ۱۳۹۹
🚫 ۲۰ درصد تخفیف ثبت نام زودهنگام تا ۱۵ مهر به تعداد محدود
🔐انجام پروژه های واقعی متناسب با بازار کار
📋مدرک معتبر و قابل ترجمه جهاد دانشگاهی جهت ادامه تحصیل در خارج از کشور
🎁 بازگشت شهریه نفر اول دوره
🔴برای کسب اطلاعات بیشتر پیرامون دوره، کدهای تخفیف، رزومه اساتید و ریز سرفصل ها میتوانید به لینک زیر مراجعه فرمایید:
http://www.armanbehnam.com/about-me/education/jd-dl-bi
🔴 لینک ثبت نام کد ۱ پنجشنبه ها و جمعه ها ۹ تا ۱۲
http://www.jdrouyesh.ir/reg?rgn=41&cls=343246
🔴 لینک ثبت نام کد ۲ پنجشنبه ها و جمعه ها ۱۵ تا ۱۸
http://www.jdrouyesh.ir/reg?rgn=41&cls=343247
📚@BigDataServe
Media is too big
VIEW IN TELEGRAM
#multi_task_learning #meta_learning #deep_learning #meta_learning
part: 5/14
⚪️ Stanford CS330: Multi-Task and Meta-Learning, 2019 | Lecture 5 - Bayesian Meta-Learning
دوره متا لرنینگ دانشگاه استنفورد:
این دوره شامل مباحث پیشرفته ی deep learning و reinforcement learning است
قسمت پنجم - متا لرنینگ بیزین
📚@BigDataServe
part: 5/14
⚪️ Stanford CS330: Multi-Task and Meta-Learning, 2019 | Lecture 5 - Bayesian Meta-Learning
دوره متا لرنینگ دانشگاه استنفورد:
این دوره شامل مباحث پیشرفته ی deep learning و reinforcement learning است
قسمت پنجم - متا لرنینگ بیزین
📚@BigDataServe
Forwarded from آرمان بهنام (آرمان بهنام)
به صورت دقیق و منطقی و در تعریف، چه تفاوتی بین یادگیری ماشین، استخراج دانش از داده ها و داده کاوی وجود دارد؟
در لینک زیر مطلبی در این مورد منتشر کرده ام
http://www.armanbehnam.com/about-me/education/machine-learning-and-data-mining/
محتوای این پست در لینکدین:
📋https://bit.ly/3e2nDmc
________
📚@BigDataServe
در لینک زیر مطلبی در این مورد منتشر کرده ام
http://www.armanbehnam.com/about-me/education/machine-learning-and-data-mining/
محتوای این پست در لینکدین:
📋https://bit.ly/3e2nDmc
________
📚@BigDataServe