طبقه بندی: گام دوم Deep Learning یا یادگیری عمیق در پایتون

یادگیری ماشین (Machine Learning) یک شاخه از هوش مصنوعی  است که به سیستم‌ها توانایی یادگیری توسط خودشان و انجام امور بدون آنکه به طور صریح برای آن‌ها برنامه‌نویسی شده باشند را می‌دهد. یادگیری ماشین برای بسیاری از مسائل جهان واقعی قابل استفاده است. در طی چند سال اخیر، روش‌های دسته بندی به یکی از مهم‌ترین ابزارهای استخراج و تولید دانش در صنایع و شرکت‌های تجاری تبدیل شده‌اند.

به طور مثال، روش‌های دسته بندی به صاحبان صنایع و شرکت‌های تجاری اجازه می‌دهند تا به راحتی بینش و دانش موجود در داده‌ها را استخراج و از آن‌ها، جهت خودکارسازی فرایندهای تجاری استفاده کنند. پس به طور کلی، علم ماشین لرنینگ می تواند به یک نرم افزار قدرتی دهد که با استفاده از تجربیاتی که دارد بعضی از مسائل را حل کند.

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 دوم (طبقه بندی) 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:

عناوین آموزشی

عناوین آموزشی شامل موارد زیر می باشد:

جلسه اول: مرور مطالب رگرسیون به طور مختصر

جلسه دوم: طبقه­ بندی (KNN(K-nearest neighborhood

جلسه سوم: طبقه بندی ماشین بردار پشتیبان یا svm خطی

جلسه چهارم: طبقه بندی ماشین بردار پشتیبان یا svm غیر خطی

جلسه پنجم: درخت تصمیم گیری

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