خوشه بندی و کاهش ویژگی: گام سوم و چهارم از یادگیری عمیق در پایتون

همانطور که از نام دوره مشخص است، پایتون نرم افزار مورد استفاده در این آموزش می ­باشد. پایتون به دلیل سادگی در نگارش، سرعت بالا در پردازش، متن باز بودن، کتابخانه ­های دقیق و کاربردی و … به سرعت جایگاه ویژه­ای در میان محققین پیدا کرده است و این موضوع سبب شده تا این نرم افزار جز یکی از بهترین و پرکاربردترین نرم افزار­های حال حاضر دنیا در نظرگرفته شود.

در بررسی ­هایی که اخیرا صورت گرفته است پایتون سومین نرم افزار کاربردی و پرطرفدار در میان مجموعه نرم افزارهای گوناگون از جمله MATLAB، PHP، R، Java و … قرار گرفته است.

رجوع شود به سایت زیر:

https://www.zdnet.com/google-amp/article/programming-language-rankings-r-makes-a-comeback-but-theres-debate-about-its-rise/

(برای کسب اطلاعات بیشتر در مورد این نرم افزار به آموزش مقدماتی پایتون مراجعه شود)

---

مشخصات محصول آموزشی

• مدرس: زهرا طباطبایی
• تخصص: پردازش تصاویر دیجیتال با کمک الگوریتم­ های یادگیری ماشین (تصاویر ابرطیفی)
• موضوع: گام سوم و چهارم از یادگیری عمیق در پایتون (کاهش ویژگی / استخراج ویژگی و خوشه بندی در محیط )
• نرم افزار: پایتون
• مخاطب: تمامی رشته ­ها (برق – کامپیوتر – معماری – عمران – مکانیک – فیزیک – و… )
• نوع آموزش: ویدیویی
• پاورپوینت: دارد
• داده های تمرینی:‌ دارد
• طول مدت دوره: ۵ ساعت.
• پیش نیاز: دارد: (پایتون مقدماتی – رگرسیون در پایتون – طبقه بندی در پایتون)
• این آموزش بر مبنای سرفصل های ارائه شده پیرامون آموزش یادگیری ماشین در محیط پایتون در سایت یودمی (Udemy) می باشد.
• با دانلود فایل آموزشی هر جلسه یک ویدئوی آموزشی و PDF مربوط به مباحث تئوری همان جلسه را دریافت می­ کنید.
• در لینک Machine_Learning A:Z می­توانید به تمامی کد­های آموزش داده شده در دوره دسترسی داشته باشید.

---

توضیحات محصول آموزشی

همانطور که در آموزش ­های قبل به آن اشاره شد، برای دستیابی به تسلط بر یادگیری ماشین/ یادگیری عمیق می بایست گام های اساسی ای را پشت سر بگذارید. این گام ها عبارتند از:

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

تاکنون در کنار هم با رگرسیون و طبقه ­بندی در پایتون آشنا شدیم. با توجه به اینکه در مراحل قبل، دانش ما در زمینه­ مطالعه­ کتابخانه­ های مختلف پایتون در علم یادگیری ماشین/یادگیری عمیق تکمیل شده است، در این آموزش تصمیم داریم جهش بلندی در راستای رسیدن به هدف نهایی یعنی یادگیری عمیق برداریم. بدین ترتیب در این آموزش به یادگیری دو گام بسیار مهم و موثر در علم یادگیری عمیق (خوشه بندی و کاهش ویژگی) می­ پردازیم.

مطابق با تمامی دوره­ های پیشین، در هر جلسه مباحث به صورت تئوری آموزش داده می شوند و سپس با علم کامل از مباحث تئوری به سراغ کدنویسی در محیط پایتون خواهیم رفت. 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:

1. Skitlearn (در آموزش ­های قبل فراگرفتیم)
2. Tensorflow (در آینده)
3. Scipy (در این آموزش)

باتوجه 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.

---

تهیه آموزش:

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

270,000 تومان – جهت تهیه کلیک کنید و پس از پرداخت بلافاصله ویدئوهای آموزشی را دانلود نمایید نهایی کردن خرید مورد به سبد خرید اضافه شد

---

معرفی آموزش:

---

عناوین آموزشی

عناوین آموزشی شامل موارد زیر می باشد:

جلسه اول:

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).

جلسه دوم:

معرفی روش خوشه ­بندی Kmeans.

معرفی روش خوشه ­بندی Cmeans.

مقایسه­ نقاط ضعف و قوت دو روش Kmeans و Cmeans

جلسه سوم:

معرفی روش خوشه ­بندی Hierarchical.

بررسی ویژگی­ های روش خوشه­ بندی Hierarchical.

عملکرد Dendrograms.

اثر Dendrograms بر نتیجه­ی خوشه­بندی Hierarchical

جلسه چهارم:

معرفی کتابخانه­ Scipy و نحوه­ ی کار با ماژول­ های مختلف آن.

معرفی روش استخراج ویژگی PCA.

بررسی ویژگی های PCA.

بررسی اثر ویژگی ­های حاصل از PCA بر Logistic Regression

جلسه پنجم:

معرفی استخراج ویژگی LDA .

بررسی ویژگی های LDA.

مقایسه ی نقاط ضعف و قوت الگوریتم­ های PCA و LDA.

بررسی اثر ویژگی­ های حاصل از LDA بر Logistic Regression

جلسه ششم:

مرور نکات اساسی روش PCA و نقاط ضعف آن.

معرفی روش KPCA (Kernel_PCA)  به­ منظور رفع نقاط ضعف PCA.

بررسی ویژگی­ های KPCA.

مقایسه نقاط ضعف و قوت الگوریتم­ های PCA و KPCA.

بررسی مثال کاربردی الگوریتم KPCA و PCA در حذف نویز از تصاویر.

بررسی اثر ویژگی­ های حاصل از KPCA بر Logistic Regression.

مقایسه­ اثر ویژگی­ های استخراج شده توسط KPCA و PCA بر Logistic Regression.

جلسه هفتم:

معرفی چند روش جدید استخراج ویژگی مانند:

• FSDA
• EM
• FEUAP
• و…

بررسی نحوه­ عملکرد آن­ها، نقاط ضعف و قوت آن­ها.

نحوه­ مطالعه­ مقالات استخراج ویژگی و … 

جلسه­ اول و جلسه­ هفتم صرفا به شرح مباحث به­ صورت تئوری می­پردازند. هدف از جلسه­ اول آشنایی علاقمندان با مرحله­ پیش پردازش در داده کاوی و یادگیری ماشین است و هدف از جلسه­ هفتم مطالعه­ روش ­های پیشرفته­ تر در جهت آشنایی علاقمندان با نحوه­ پیشرفت این علم می­ باشد. باشد که یکایک این عزیزان خود در گسترش این علم کاربردی حضور چشمگیری داشته باشند.

---

تهیه آموزش:

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

270,000 تومان – جهت تهیه کلیک کنید و پس از پرداخت بلافاصله ویدئوهای آموزشی را دانلود نمایید نهایی کردن خرید مورد به سبد خرید اضافه شد

---

مباحث مرتبط با این آموزش:

• استخراج اراضی شهری با سرعت بالا و بدون استفاده از روش های پیشرفته یادگیری ماشین
• رگرسیون: گام اول Deep Learning یا یادگیری عمیق در پایتون
• طبقه بندی: گام دوم Deep Learning یا یادگیری عمیق در پایتون
• آموزش زبان برنامه نویسی پایتون مقدماتی بر پایه تمرین