رگرسیون: گام اول Deep Learning یا یادگیری عمیق در پایتون – یادگیری عمیق با پایتون

1,925 بازدید

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

آموزش رایگان نرم افزار ENVI

در ENVI حرفه ای شو 🦾

0 تا 100 مفاهیم سنجش از دور

کاملا رایگان شروع کن 🧩

آموزش رایگان ArcGIS pro

واقعاااااا رایگاااااانه 🤗

آموزش گوگل ارث انجین

شدیدا توصیه شده 🌏

دانلود لندیوز 10 متری ایران و …

به کمک گوگل ارث انجین 🚀

کتاب موتور پردازش مجازی

اولین کتاب آموزش گوگل ارث انجین 📗

طبقه بندی تصاویر ماهواره ای

آشنایی با انواع روش ها 😲

پیش پردازش تصاویر ماهواره ای

هندسی – رادیومتریکی – اتمسفری 🀄

دانلود داده های آلتیمتری

ترازسنجی برای دریاچه ها 🧿

پوشش اراضی 10 متری

تولید شده توسط ESRI 🧐

نمایش سه بعدی در ArcGIS

مدل رقومی ارتفاع 🗻

مطالب پربازدید

یادگیری ماشین در پایتون با رگرسیون
این ویدئوی آموزشی به یادگیری عمیق با پایتون یا یادگیری ماشین در پایتون پرداخته و مدرس سعی کرده با زبانی ساده این مبحث را آموزش دهد که در ادامه ویدئوی معرفی دوره نیز آورده شده است. یکی از جذاب ترین موضوعاتی که می توان با هوش مصنوعی روی آن متمرکز شد، پیش بینی و تخمین رخ داد­ها در آینده است.…

این ویدئوی آموزشی به یادگیری عمیق با پایتون یا یادگیری ماشین در پایتون پرداخته و مدرس سعی کرده با زبانی ساده این مبحث را آموزش دهد که در ادامه ویدئوی معرفی دوره نیز آورده شده است.

یکی از جذاب ترین موضوعاتی که می توان با هوش مصنوعی روی آن متمرکز شد، پیش بینی و تخمین رخ داد­ها در آینده است. پیش بینی قیمت سهام در بازار بورس، ارزیابی قیمت خانه و یا تخمین قیمت خودرو و محصولات یک فروشگاه اینترنتی به کمک یادگیری ماشین از آن جمله محسوب می شود. رگرسیون (Regression) یک الگوریتم آماری است که به کمک یادگیری ماشین (Machin learning) امکان پیش بینی دقیق را برای کاربر فراهم می ­کند.

رگرسیون به چه معناست؟

در لغت: رگرسیون به معنای بازگشت است.

در علم ریاضیات: هرگاه بتوانیم بین دو متغیر یک رابطه را تشخیص دهیم، می توانیم از رگرسیون، برای پیش بینی مقادیر این متغیرها بر اساس مقدار متغیر دیگر استفاده کنیم.

در سال ۱۸۷۷ فرانسیس گالتون در مقاله‌ای که درباره بازگشت به میانگین منتشر کرده‌ بود اظهار داشت که متوسط قد پسران دارای پدران قدبلند، کمتر از قد پدرانشان می‌باشد. به نحو مشابه متوسط قد پسران دارای پدران کوتاه‌قد نیز، بیشتر از قد پدرانشان گزارش شده‌است. به این ترتیب گالتون پدیده بازگشت به طرف میانگین را در داده‌هایش مورد تأکید قرارداد. برای گالتون رگرسیون مفهومی زیست‌شناختی داشت، اما کارهای او توسط کارل پیرسون برای مفاهیم آماری توسعه داده‌شد. گرچه گالتون برای تأکید بر پدیده ” بازگشت به سمت مقدار متوسط ” از تحلیل رگرسیون استفاده کرد، اما به هر حال امروزه واژه تحلیل رگرسیون جهت اشاره به مطالعات مربوط به روابط بین متغیرها به کار برده‌ می‌شود.

به ­طور کلی با ارائه­ یک مجموعه داده به سیستم به کمک الگوریتم­ های یادگیری ماشین می­توان ارتباط بین داده­ های مستقل و وابسته را استخراج کرد و مطابق آن پیش بینی صحیحی از رخداد­های آینده به­ دست آورد. در مثال پیش بینی قیمت خودرو عملکرد بدین ترتیب است که ابتدا میزان تغییرات قیمت خودروی مورد نظر را در طول مدت مشخصی به سیستم ارائه می ­کنیم.

این مرحله وظیفه­ الگوریتم ­های یادگیری ماشین است تا دست به کار شوند و ارتباط بین تاریخ و قیمت خودرو را تحلیل کنند. سپس نوبت به رگرسیون می­ رسد تا با قدرت خود پیش بینی دقیقی از قیمت خودرو را در تاریخ مد نظر به کاربر ارائه کند.

فرض کنید قیمت پراید را در بازه­ زمانی دی ماه تا اردیبهشت ماه سه سال اخیر به سیستم ارائه می­ کنیم. الگوریتم­ های یادگیری ماشین به تحلیل تغییرات قیمت در طول این تاریخ می­ پردازند و درمی­ یابند که قیمت خودرو در بازه­ ۲۲ بهمن تا ۱۵ فروردین ماه هر سال روند افزایشی داشته و به طور کلی با ۳۰ درصد افزایش قیمت روبرو است.

بنابراین، اگر در سال جاری قیمت خودرو را در ۱ فروردین بخواهید این سیستم می­ تواند به ­خوبی به شما نشان دهد که برای سفر­های نوروزی خود بهتر است برای خرید خودرو در اوایل بازه زمانی (۲۲بهمن) اقدام کنید.

هر مجموعه داده­ با توجه به ویژگی­ های خود، نیاز به رگرسیون با شرایط سازگار با ویژگی ­های خود دارد تا بتواند به خوبی ارتباط بین داده­ های آموزشی را یاد بگیرد و بر مبنای آن پیش بینی صحیحی را ارائه کند. انواع رگرسیون عبارتند از:

  1. خطی: به دنبال یک رابطه­ خطی بین ویژگی­ های مشاهده شده و نتیجه­ دریافتی است.
  2. غیرخطی: اگر ویژگی­ های داده­ مورد نظر با خروجی دریافتی رابطه­ کرنلی داشته باشد، بایستی از الگوریتم ­های غیرخطی جهت پیش بینی استفاده کرد.

مشخصات محصول آموزشی

  • مدرس: مهندس زهرا طباطبایی، کارشناسی ارشد برق الکترونیک – مدارهای مجتمع (حوزه­ تخصصی: پردازش تصویر)
  • موضوع: گام اول از آموزش یادگیری عمیق در پایتون (رگرسیون)
  • مخاطب: تمامی رشته­ ها (برق- کامپیوتر – معماری – عمران – مکانیک – فیزیک و…)

تهیه آموزش:

به منظور تهیه این محصول آموزشی بر روی دکمه زیر کلیک کنید:


توضیحات محصول آموزشی

برای رسیدن به قله­ یادگیری ماشین و یادگیری عمیق لازم است ۵ گام را طی کنیم. درست مثل سال­ های ابتدایی بامبو

وقت کاشت بامبوی خودتون!

  

۵ گام اساسی برای تسلط بر یادگیری ماشین عبارتند از:

  1. رگرسیون
  2. طبقه­ بندی
  3. خوشه ­بندی
  4. کاهش ویژگی
  5. یادگیری عمیق

در این دوره به آموزش گام اول (رگرسیون) در محیط پایتون می ­پردازیم. آموزش ارائه شده به صورت تئوری و کدنویسی است.

بدین ترتیب که در هر جلسه، بخشی از ویدئو به توضیح و تفسیر معنا و عملکرد الگوریتم­ ها به­ زبانی ساده و مقدماتی در محیط ریاضی می ­پردازد. بخش دوم از آن نیز به آموزش کدنویسی به کمک کتابخانه ­های قوی در پایتون از جمله Numpy، Sklearn، Pandas، Matplot و …. اختصاص دارد.


معرفی آموزش یادگیری عمیق با پایتون:


عناوین آموزشی

عناوین آموزشی شامل موارد زیر می باشد:

جلسه اول: معرفی نرم افزار و نصب آن و آشنایی اولیه با محیط نرم افزار

جلسه دوم: معرفی کتابخانه­ ها­ی مربوطه و پیش پردازش آن ها

جلسه سوم: نرمال سازی و ایجاد داده های تست و آموزشی و نحوه کار با آن ها

جلسه چهارم: رگرسیون خطی

جلسه پنجم: رگرسیون خطی چند گانه

جلسه ششم: رگرسیون خطی چند جمله ای

جلسه هفتم: رگرسیون بردار پشتیبان

جلسه هشتم: درخت تصمیم گیری

جلسه نهم: رگرسیون جنگل تصادفی


تهیه آموزش:

به منظور تهیه این محصول آموزشی بر روی دکمه زیر کلیک کنید:


مباحث مرتبط با این آموزش:

نوشته های مرتبط :

25 دیدگاه. ارسال دیدگاه جدید

  • سلام ممنون میشم اگه جواب بدید میشه برای پیش بینی میزان نشت لوله خطوط انتقال ازش استفاده کرد

    پاسخ
    • زهرا طباطبایی
      1399-05-15 3:04 ب.ظ

      سلام. و وقت بخیر.
      رگرسیون یعنی بازگشت. یعنی پیش بینی و بیان تغییرات یک متغیر بر اساس اطلاعات متغیر دیگر.
      بنابراین اگر بخواهید پیشبینی صحیحی از داده ها داشته باشید نیاز به یک مجموعه داده ی پایه دارید. در این صورت رگرسیون میتواند پیشبینی مطلوبی از رخ داده های مورد نظر شما را ارائه کند.

      سوال دیگری بود در خدمتم.
      موفق باشید.

      پاسخ
  • فاطمه حیدری
    1399-06-05 6:02 ق.ظ

    سلام
    اموزش بسیار دقیق و با حوصله تهیه شده و بسیار کمک کنندس من به بقیه هم پیشنهاد میکنم که از این اموزش بهره ببرن

    پاسخ
    • زهرا طباطبایی
      1399-06-11 2:30 ب.ظ

      با سلام و وقت بخیر
      ممنون از نظر لطف شما و توصیه ی خوبتون.

      به امید فتح قله های بلند موفقیت.
      با احترام
      طباطبایی

      پاسخ
  • عالییی عالیییی عالییی واقعا ممنون
    کاملا کاربردی با زبان ساده
    💐💐💐💐

    پاسخ
    • زهرا طباطبایی
      1399-06-11 2:31 ب.ظ

      با سلام و وقت بخیر خدمت شما دوست عزیز.
      ممنون از نظر انرژی بخش شما.

      موفق باشید.
      با احترام
      طباطبایی

      پاسخ
  • Az Torkashvand
    1400-02-11 2:09 ب.ظ

    سلام روزبخیر من این بسته اموزشی خرید کردم چرا دوباره برای من زده پول باید پرداخت کنم

    پاسخ
  • سلام . اگر از پایتون هیچ اطلاعی نداشته باشیم، این دوره برای من مفیده؟

    پاسخ
  • سلام
    وقتتون بخیر
    جسارتا میخاستم بدونم تو این گام هایی که ارائه دادین آیا در زمینه سنجش از دور هستن مثال ها؟مثلا آیا تصاویر مثلا ی نوع ماهواره یا سنجنده دریافت و روشون کار میشه؟
    یا ن مباحث بین رشته ای هست و خیلی gis rs نیستن؟

    پاسخ
  • ارغوان گرانمایه
    1400-09-16 1:00 ب.ظ

    سلام
    اکر دوره پایتون عمومی و پردازش تصویر مقدماتی بر مبنای مطالب کتاب گنزالس شما را دیده باشم متوجه مطالب این بخش خواهم شد یا پیش نیاز دیگری هم لازم دارد؟

    پاسخ
    • زهرا طباطبایی
      1400-09-16 1:19 ب.ظ

      با سلام و وقت بخیر
      بله می توانید با اطلاعات به دست امده در دوره ی پایتون مقدماتی؛ مطالعه ی این دوره را نیز آغاز کنید.

      موفق باشید.
      با احترام
      طباطبایی

      پاسخ
  • ارغوان گرانمایه
    1400-10-06 4:19 ب.ظ

    با سلام و عرض ادب
    قسمت کنسول اسپایدر تنظیماتش بهم ریخته وfiles و code analysis را نمایش نمیدهد چگونه می توانم به حالت اولیه برگردم؟

    پاسخ
    • زهرا طباطبایی
      1400-10-06 9:17 ب.ظ

      با سلام
      از قسمت
      view
      گزینه ی
      panes
      را انتخاب کنید.
      موفق باشید
      با احترام
      طباطبایی

      پاسخ
  • سجاد تیموری
    1401-04-19 1:40 ق.ظ

    سلام وقتتون بخیر
    جسارتا میخاستم بدونم تو این گام هایی که ارائه دادین آیا در زمینه سنجش از دور هستن مثال ها؟ مثلا آیا تصاویر مثلا ی نوع ماهواره یا سنجنده دریافت و روشون کار میشه؟
    یا ن مباحث بین رشته ای هست و خیلی gis rs نیستن؟

    پاسخ
    • زهرا طباطبایی
      1401-04-20 12:01 ق.ظ

      با سلام و وقت بخیر

      مثال های ارائه شده در سری آموزش ها، ابتدا عددی و سپس تصویری هستند. از آنجایی که این اموزش ها برای همه ی افراد با سطح دانش مختلف تهیه شده است، ابتدا به توضیح مباحث پایه با در نظر گرفتن مثال های عددی پرداخته ایم و سپس با توجه به اطلاعات به دست آمده، به بررسی تصاویر می پردازیم.

      با آرزوی موفقیت
      با احترام
      طباطبایی

      پاسخ
  • سلام وقتتون بخیر
    آیا امکان برقراری ارتباط با سرکار خانم طباطبایی جهت مشاوره تز هست؟

    پاسخ
  • سلام این آموزش با مبلغ ۱۶۵ هزار تومان کل آموزش مربوط به یادگیری عمیق تا آخره یا فقط بحث رگرسیون هست و بقیه آموزشها باید جداگانه تهیه بشن؟

    پاسخ
  • سلام وقت بخیر
    روی موضوعی کار میکنم مربوط به بررسی تغییرات مکانی – زمانی خاک پیت(peatland) با استفاده از دیپ لرنینگ.میخواستم بپرسم داده ای که واسه ترینینگ تو دیپ لرنینگ باید استفاده کنم چه نوع دیتایی باشه چون سری زمانی و مکانی مهمه. مثلا میشه نقشه هایی که طی یک دوره چند ساله از خاک پیت بوده رو استفاده کنم یا باید دیتاها به صورت point باشه که درچند سال جمع اوری شده؟

    پاسخ
    • زهرا طباطبایی
      1401-10-03 4:00 ب.ظ

      با سلام و وقت بخیر
      متاسفانه در زمینه ی این نوع از نقشه ها، اطلاعات خاصی ندارم که بتونم کمکتون کنم.

      موفق باشید.
      با احترام
      طباطبایی

      پاسخ
  • yousefifars@gmail.com
    1402-06-29 4:51 ب.ظ

    با سلام
    خانم زهرا طباطبایی به جرات میتونم بگم از بهترین مدرس ها هستند. قدرت انتقال مطالب ایشون برای افرادی که از ماشین لرنینگ هیچ پیش زمینه ای ندارند عالی هست.امیدوارم ایشون دوره های جدید هم برگزار کنند.

    پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

keyboard_arrow_up