ماذا سوف تتعلم من كورس :كورس Machine Learning & Deep Learning In Python & R مجانا تورنت

تعرف على كيفية حل مشكلات الحياة الواقعية باستخدام تقنيات التعلم الآلي
نماذج التعلم الآلي مثل الانحدار الخطي والانحدار اللوجستي و KNN وما إلى ذلك.
نماذج التعلم الآلي المتقدمة مثل أشجار القرار و XGBoost و Random Forest و SVM وما إلى ذلك.
فهم أساسيات الإحصاء ومفاهيم التعلم الآلي
كيفية إجراء العمليات الإحصائية الأساسية وتشغيل نماذج ML في Python
معرفة متعمقة بجمع البيانات والمعالجة المسبقة للبيانات لمشكلة التعلم الآلي
كيفية تحويل مشكلة العمل إلى مشكلة تعلم الآلة

 Machine Learning & Deep Learning In Python & R
تحميل كورس Machine Learning & Deep Learning In Python & R مجانا تورنت

متطلبات كورس كورس Machine Learning & Deep Learning In Python & R مجانا تورنت

سيحتاج الطلاب إلى تثبيت برنامج Anaconda ولكن لدينا محاضرة منفصلة لإرشادك لتثبيته

وصف كورس كورس Machine Learning & Deep Learning In Python & R مجانا تورنت
كنت تبحث عن دورة كاملة للتعلم الآلي والتعلم العميق يمكن أن تساعدك في بدء حياة مهنية مزدهرة في مجال علوم البيانات والتعلم الآلي ، أليس كذلك؟

بعد الانتهاء من هذه الدورة ، ستتمكن من:

· قم بثقة ببناء نماذج التعلم الآلي والتعلم العميق التنبؤية لحل مشاكل العمل وإنشاء إستراتيجية العمل

· أجب عن أسئلة المقابلة المتعلقة بتعلم الآلة

· المشاركة والأداء في مسابقات تحليلات البيانات على الإنترنت مثل مسابقات Kaggle

تحقق من جدول المحتويات أدناه لمعرفة كل نماذج التعلم الآلي والتعلم العميق التي ستتعلمها.

تورنت العرب
تحميل برامج وافلام والعاب تورنت

جدول المحتويات كورس كورس Machine Learning & Deep Learning In Python & R مجانا تورنت

  • القسم 1 – Python basic: يساعدك هذا القسم على بدء استخدام Python. سيساعدك هذا القسم في إعداد بيئة python و Jupyter على نظامك وسيعلمك كيفية إجراء بعض العمليات الأساسية في Python. سوف نفهم أهمية المكتبات المختلفة مثل Numpy و Pandas & Seaborn.
  • القسم 2 – R أساسي سيساعدك هذا القسم في إعداد استوديو R و R على نظامك وسيعلمك كيفية إجراء بعض العمليات الأساسية في R.
  • القسم 3 – أساسيات الإحصاء – ينقسم هذا القسم إلى خمس محاضرات مختلفة تبدأ من أنواع البيانات ثم أنواع الإحصائيات ثم تمثيلات رسومية لوصف البيانات ثم محاضرة عن مقاييس المركز مثل الوسيط المتوسط ​​والوضع وأخيرًا مقاييس التشتت مثل النطاق و الانحراف المعياري
  • القسم 4 – مقدمة إلى التعلم الآلي في هذا القسم سوف نتعلم – ماذا يعني التعلم الآلي. ما المعاني أو المصطلحات المختلفة المرتبطة بالتعلم الآلي؟ سترى بعض الأمثلة حتى تفهم ما هو التعلم الآلي في الواقع. يحتوي أيضًا على خطوات متضمنة في بناء نموذج التعلم الآلي ، وليس فقط النماذج الخطية ، وأي نموذج للتعلم الآلي.
  • القسم 5 – المعالجة المسبقة للبيانات في هذا القسم ، ستتعرف على الإجراءات التي تحتاج إلى اتخاذها خطوة بخطوة للحصول على البيانات ثم تحضيرها للتحليل ، فهذه الخطوات مهمة جدًا. نبدأ بفهم أهمية المعرفة التجارية ثم سنرى كيفية القيام باستكشاف البيانات. نتعلم كيفية إجراء تحليل أحادي المتغير والتحليل ثنائي المتغير ثم نغطي موضوعات مثل المعالجة الخارجية ، واحتساب القيمة المفقودة ، والتحول المتغير والارتباط.
  • القسم 6 – نموذج الانحدار: يبدأ هذا القسم بالانحدار الخطي البسيط ثم يغطي الانحدار الخطي المتعدد ، وقد قمنا بتغطية النظرية الأساسية وراء كل مفهوم دون أن نتطرق إلى الرياضيات أكثر من اللازم حتى تفهم من أين يأتي المفهوم وكيف يكون مهمًا. ولكن حتى لو لم تفهمها ، فسيكون الأمر على ما يرام طالما أنك تتعلم كيفية تشغيل وتفسير النتيجة كما تم تدريسها في المحاضرات العملية ، كما ننظر أيضًا في كيفية تحديد دقة النماذج ، وما معنى إحصاء F ، كيف يتم تفسير المتغيرات الفئوية في مجموعة بيانات المتغيرات المستقلة في النتائج ، وما هي المتغيرات الأخرى لطريقة التربيع الصغرى العادية وكيف يمكننا تفسير النتيجة في النهاية لمعرفة الإجابة على مشكلة العمل.
  • القسم 7 – نماذج التصنيف: يبدأ هذا القسم بالانحدار اللوجستي ثم يغطي التحليل الخطي التمييزي و KNearest Neighbours. لقد غطينا النظرية الأساسية وراء كل مفهوم دون أن تكون أكثر رياضية حوله حتى تفهم من أين يأتي المفهوم وكيف يكون. الأهمية. ولكن حتى لو لم تفهمها ، فسيكون الأمر على ما يرام طالما أنك تتعلم كيفية تشغيل وتفسير النتيجة كما تم تدريسها في المحاضرات العملية ، كما ننظر أيضًا في كيفية تحديد أداء النماذج باستخدام مصفوفة الارتباك ، وكيف المتغيرات الفئوية في يتم تفسير مجموعة بيانات المتغيرات المستقلة في النتائج ، وتقسيم الاختبار-القطار وكيف يمكننا في النهاية تفسير النتيجة لمعرفة الإجابة على مشكلة العمل.
  • القسم 8 – Decision trees في هذا القسم ، سنبدأ بالنظرية الأساسية لشجرة القرار ، ثم سننشئ ونرسم شجرة قرارات بسيطة للانحدار. ثم سنقوم بتوسيع معرفتنا بشجرة قرارات الانحدار لتصنيف الأشجار ، وسنتعلم أيضًا كيفية إنشاء شجرة تصنيف في Python و R
  • القسم 9 – تقنية المجموعة
  • في هذا القسم ، سنبدأ مناقشتنا حول تقنيات المجموعات المتقدمة لأشجار القرار. تُستخدم تقنيات المجموعات لتحسين استقرار ودقة خوارزميات التعلم الآلي. سنناقش Random Forest و Bagging و Gradient Boosting و AdaBoost و XGBoost.
  • القسم 10 – دعم آلات المتجهات
  • تعد SVM نماذج فريدة وتبرز من حيث مفهومها. في هذا القسم ، سوف نناقش حول دعم مصنفات المتجهات ودعم آلات المتجهات.
  • القسم 11 – المفاهيم النظرية لـ ANN: يمنحك هذا الجزء فهمًا قويًا للمفاهيم المتضمنة في الشبكات العصبية ، وفي هذا القسم ستتعرف على الخلايا المفردة أو Perceptrons وكيف يتم تكديس Perceptrons لإنشاء بنية شبكة. بمجرد تعيين البنية ، نفهم خوارزمية نزول التدرج للعثور على الحد الأدنى لوظيفة ما ومعرفة كيفية استخدامها لتحسين نموذج شبكتنا.
  • القسم 12 – إنشاء نموذج ANN في Python و R في هذا الجزء سوف تتعلم كيفية إنشاء نماذج ANN في Python و R. سنبدأ هذا القسم بإنشاء نموذج ANN باستخدام API التسلسلي لحل مشكلة التصنيف. نتعلم كيفية تحديد بنية الشبكة وتكوين النموذج وتدريب النموذج. ثم نقوم بتقييم أداء نموذجنا المدرّب ونستخدمه للتنبؤ بالبيانات الجديدة. أخيرًا نتعلم كيفية حفظ النماذج واستعادتها ، كما نفهم أهمية المكتبات مثل Keras و TensorFlow في هذا الجزء.
  • القسم 13 – المفاهيم النظرية لشبكة CNN في هذا الجزء سوف تتعرف على الطبقات التلافيفية والتجميعية التي تعد اللبنات الأساسية لنماذج CNN ، وفي هذا القسم سنبدأ بالنظرية الأساسية للطبقة التلافيفية والخطوة والمرشحات وخرائط المعالم. نوضح أيضًا كيف تختلف الصور ذات المقياس الرمادي عن الصور الملونة. أخيرًا ، نناقش طبقة التجميع التي تحقق الكفاءة الحسابية في نموذجنا.
  • القسم 14 – إنشاء نموذج CNN بلغة Python و R. ستتعلم في هذا الجزء كيفية إنشاء نماذج CNN بلغة Python و R. ، وسنتناول نفس المشكلة المتمثلة في التعرف على كائنات الموضة وتطبيق نموذج CNN عليها. سنقارن أداء نموذج CNN الخاص بنا مع نموذج ANN الخاص بنا ونلاحظ أن الدقة تزداد بنسبة 9-10٪ عندما نستخدم CNN. ومع ذلك ، هذه ليست نهاية الأمر. يمكننا زيادة تحسين الدقة باستخدام تقنيات معينة نستكشفها في الجزء التالي.
  • القسم 15 – مشروع التعرف على الصور الشامل في Python و R. في هذا القسم ، نبني مشروعًا كاملاً للتعرف على الصور على الصور الملونة ، نأخذ مسابقة Kaggle للتعرف على الصور ونبني نموذج CNN لحلها. باستخدام نموذج بسيط ، نحقق دقة تقارب 70٪ في مجموعة الاختبار. ثم نتعلم مفاهيم مثل زيادة البيانات ونقل التعلم التي تساعدنا على تحسين مستوى الدقة من 70٪ إلى ما يقرب من 97٪ (مثل الفائزين في تلك المنافسة).
  • القسم 16 – المعالجة المسبقة لبيانات السلاسل الزمنية في هذا القسم ، ستتعلم كيفية تصور السلاسل الزمنية ، وأداء هندسة الميزات ، وإعادة أخذ عينات من البيانات ، وأدوات أخرى متنوعة لتحليل وإعداد البيانات للنماذج
  • القسم 17 – توقع السلاسل الزمنية في هذا القسم ، ستتعلم نماذج السلاسل الزمنية الشائعة مثل الانحدار التلقائي (AR) والمتوسط ​​المتحرك (MA) و ARMA و ARIMA و SARIMA و SARIMAX.بنهاية هذه الدورة ، سترتفع ثقتك في إنشاء نموذج التعلم الآلي أو التعلم العميق في Python و R. سيكون لديك فهم شامل لكيفية استخدام نماذج ML / DL لإنشاء نماذج تنبؤية وحل مشاكل العمل في العالم الحقيقي.
تم إنشاؤها بواسطة أكاديمية Start-Tech
آخر تحديث 4/2021
إنجليزي
الإنجليزية [تلقائي]
الحجم: 13.14 جيجا بايت
تحميل كورس Machine Learning & Deep Learning In Python & R مجانا تورنت

يمكنك الاطلاع على صفحة الكورس في يوديمي

https://www.udemy.com/course/data_science_a_to_z/
تحميل كورس Machine Learning & Deep Learning In Python & R مجانا تورنت