مدل های پیش بینی کننده در پایتون

در این دوره با مفاهیم Predictive Models in Python آشنا می شوید.

    • عنوان
      1 نصب آناکوندا حاوی پایتون و ژوپیتر تمام شده رایگان 00:05:24
      2 تحلیل اکتشافی داده ها قسمت 1 تمام شده 50,000 00:20:08
      3 تحلیل اکتشافی داده ها قسمت 2 تمام شده 50,000 00:18:21
      4 بررسی داده های از قلم افتاده تمام شده 50,000 00:15:37
      5 پاکسازی داده ها تمام شده 50,000 00:39:04
      6 تحلیل ویژگی های غیر عددی تمام شده 50,000 00:25:44
      7 تحلیل ویژگی های عددی تمام شده 50,000 00:32:41
      8 تحلیل همبستگی و بصری سازی با Seaborn تمام شده 50,000 00:27:08
      9 تحلیل همبستگی و بصری سازی با PyPlot تمام شده 50,000 00:18:11
      10 داده ورزی با استفاده از توابع لامبدا تمام شده 50,000 00:24:07
      11 مهندسی ویژگی ها تمام شده 50,000 00:17:44
      12 پیاده سازی مدل پیش بینی کننده خطی و تحلیل آن تمام شده 50,000 00:32:35
      13 مدل پیش بینی کننده برای داده های نامتوازن تمام شده 50,000 00:27:50
  • مدرس دوره :

    • دکتر امیرحسین جمالیان
    • فوق لیسانس کامپیوتر معماری کامپیوتر از دانشگاه صنعتی شریف
    • دکترای هوش مصنوعی و یادگیری ماشین از دانشگاه کمنیتس کشور آلمان
    • مشاور فن‌آوری و هوش مصنوعی شرکت لوفت هانزا، شهر برلین، کشور آلمان

     

    مقدمه

    یکی از رویاهایی که انسان همیشه در پی تحقق آن بوده «پیش بینی کردن» است. امروزه با پیشرفت «هوش مصنوعی» و «یادگیری ماشین» این رویا به واقعیت نزدیک شده و انسان را قادر ساخته تا بتواند با دقت خوبی آینده را پیش بینی کند تا بتواند برای مواجهه با آن خود را آماده سازد.

    در این دوره با استفاده از داده های واقعی یک شرکت و زبان برنامه نویسی پایتون و کتابخانه هایی مانند pandas و sklearn یک مدل پیش بینی کننده را از ابتدا تا انتها طراحی و پیاده سازی کرده و کارایی آن را مورد بررسی قرار می دهیم.

    در این دوره آموزشی پیشرفته شما را به صورت کامل با مفاهیم Predictive Models در نرم افزار پایتون آشنا خواهیم نمود.

    سرفصل های ویدئوهای دوره به شرح زیر است :

    1.    نصب آناکوندا (حاوی پایتون و ژوپیتر نوت بوک)
    2.    شروع کار: تحلیل اکتشافی داده ها (EDA)
    3.    بررسی داده های از قلم افتاده
    4.    پاکسازی داده ها
    5.    تحلیل ویژگی های غیر عددی
    6.    تحلیل ویژگی های عددی
    7.    تحلیل همبستگی و بصری سازی با Seaborn
    8.    تحلیل همبستگی و بصری سازی با PyPlot
    9.    داده ورزی با استفاده از توابع لامبدا
    10.    مهندسی ویژگی ها
    11.    پیاده سازی مدل پیش بینی کننده خطی و تحلیل آن
    12.    مدل پیش بینی کننده برای داده های نامتوازن
     

  • نظرات (0)

    نظر شما(برای ثبت نظر باید ثبت نام کنید):

معرفی دوره

قیمت اصلی تخفیف قیمت نهایی
490,000 0 490,000

کلیه قیمت ها به تومان می باشد.

تخفیف در صورت خرید کل دوره

زمان دوره: 05:04:34