دانلود Machine Learning with R, the tidyverse, and mlr. Video Edition آموزش یادگیری ماشین با آر، تایدی‌ورس و ام‌ال‌آر

بازدید: 20
دسته: آموزش ← ‏ برنامه نویسی و طراحی وب

دانلود Machine Learning with R, the tidyverse, and mlr. Video Edition - آموزش یادگیری ماشین با آر،

دانلود آموزش یادگیری ماشین با آر، تایدی‌ورس و ام‌ال‌آر. نسخه ویدیویی

این دوره آموزشی به معرفی مفاهیم و تکنیک‌های کلیدی یادگیری ماشین می‌پردازد و نحوه پیاده‌سازی آن‌ها با استفاده از زبان برنامه‌نویسی R، مجموعه ابزارهای tidyverse و بسته mlr را آموزش می‌دهد. شرکت‌کنندگان در این دوره با روش‌های مختلف پیش‌پردازش داده‌ها، انتخاب ویژگی، ساخت و ارزیابی مدل‌های یادگیری ماشین برای مسائل طبقه‌بندی و رگرسیون آشنا خواهند شد. همچنین، نحوه استفاده از ابزارهای بصری‌سازی داده‌ها برای درک بهتر نتایج مدل‌ها و ارائه آن‌ها به مخاطبان غیرمتخصص مورد بررسی قرار می‌گیرد. این دوره برای افرادی که به دنبال کسب مهارت‌های عملی در زمینه یادگیری ماشین و استفاده از R برای تحلیل داده‌های پیچیده هستند، طراحی شده است. با گذراندن این دوره، شرکت‌کنندگان قادر خواهند بود تا با استفاده از ابزارهای قدرتمند R، مسائل واقعی دنیای کسب‌وکار را با رویکردهای یادگیری ماشین حل کنند.
در دوره آموزشی Machine Learning with R, the tidyverse, and mlr. Video Edition با مفاهیم و ابزارهای یادگیری ماشین در محیط R آشنا خواهید شد.

فهرست مطالب دوره Machine Learning with R, the tidyverse, and mlr. Video Edition:

یادگیری ماشین با R، tidyverse و mlr. نسخه ویدیویی
بخش 1. مقدمه
فصل 1. مقدمه ای بر یادگیری ماشین
فصل 1. در این کتاب چه خواهید آموخت
فصل 1. چرا از R برای یادگیری ماشین استفاده کنیم
فصل 1. از کدام مجموعه داده ها استفاده خواهیم کرد
فصل 1. طبقات الگوریتم های یادگیری ماشین
فصل 1. تفکر در مورد تأثیر اخلاقی یادگیری ماشین
فصل 1. خلاصه
بخش 2. طبقه بندی
فصل 2. مرتب سازی، دستکاری و رسم داده ها با tidyverse
فصل 2. بارگیری tidyverse
فصل 2. بسته tibble چیست و چه کاری انجام می دهد
فصل 2. بسته dplyr چیست و چه کاری انجام می دهد
فصل 2. بسته tidyr چیست و چه کاری انجام می دهد
فصل 2. بسته purrr چیست و چه کاری انجام می دهد
فصل 2. بسته ggplot2 چیست و چه کاری انجام می دهد
فصل 2. خلاصه
پیوست. یادآوری مفاهیم آماری
پیوست. نماد سیگما
پیوست. بردارها
پیوست. لگاریتم ها
پیوست. گرایش مرکزی
پیوست. معیارهای پراکندگی
پیوست. توزیع ها
پیوست. معیارهای روابط بین متغیرها
فصل 3. طبقه بندی بر اساس شباهت ها با k-نزدیکترین همسایه
فصل 3. الگوریتم ها چه چیزی می توانند یاد بگیرند و چه چیزی باید به آنها گفته شود: پارامترها و ابرپارامترها
فصل 3. ساخت اولین مدل kNN شما
فصل 3. تنظیم k برای بهبود مدل
فصل 3. استفاده از اعتبارسنجی متقابل برای تشخیص بیش برازش یا کم برازش
فصل 3. اعتبارسنجی متقابل مدل kNN ما
فصل 3. نقاط قوت و ضعف kNN
فصل 3. خلاصه
فصل 4. طبقه بندی بر اساس شانس با رگرسیون لجستیک
فصل 4. ساخت اولین مدل رگرسیون لجستیک شما
فصل 4. تفسیر مدل: نسبت شانس
فصل 4. استفاده از مدل خود برای پیش بینی
فصل 4. اعتبارسنجی متقابل مدل رگرسیون لجستیک
فصل 4. نقاط قوت و ضعف رگرسیون لجستیک
فصل 4. خلاصه
فصل 5. طبقه بندی با به حداکثر رساندن جداسازی با تحلیل تفکیکی
فصل 5. ساخت اولین مدل های تفکیکی خطی و درجه دوم شما
فصل 5. نقاط قوت و ضعف LDA و QDA
فصل 5. خلاصه
فصل 6. طبقه بندی با بیز ساده و ماشین های بردار پشتیبان
فصل 6. ساخت اولین مدل بیز ساده شما
فصل 6. الگوریتم ماشین بردار پشتیبان (SVM) چیست
فصل 6. ساخت اولین مدل SVM شما
فصل 6. اعتبارسنجی متقابل مدل SVM ما
فصل 6. نقاط قوت و ضعف بیز ساده
فصل 6. نقاط قوت و ضعف الگوریتم SVM
فصل 6. خلاصه
فصل 7. طبقه بندی با درخت های تصمیم
فصل 7. بارگیری و بررسی مجموعه داده باغ وحش
فصل 7. ساخت اولین مدل درخت تصمیم شما
فصل 7. آموزش مدل درخت تصمیم
فصل 7. اعتبارسنجی متقابل مدل درخت تصمیم ما
فصل 7. نقاط قوت و ضعف الگوریتم های مبتنی بر درخت
فصل 7. خلاصه
فصل 8. بهبود درخت های تصمیم با جنگل های تصادفی و تقویت
فصل 8. مقایسه الگوریتم ها با یکدیگر
فصل 8. ساخت اولین مدل جنگل تصادفی شما
فصل 8. ساخت اولین مدل XGBoost شما
فصل 8. نقاط قوت و ضعف الگوریتم های مبتنی بر درخت
فصل 8. خلاصه
بخش 3. رگرسیون
فصل 9. رگرسیون خطی
فصل 9. ساخت اولین مدل رگرسیون خطی شما
فصل 9. نقاط قوت و ضعف رگرسیون خطی
فصل 9. خلاصه
فصل 10. رگرسیون غیرخطی با مدل های افزودنی تعمیم یافته
فصل 10. انعطاف پذیری بیشتر: اسپلاین ها و مدل های افزودنی تعمیم یافته
فصل 10. ساخت اولین GAM شما
فصل 10. نقاط قوت و ضعف GAM ها
فصل 10. خلاصه
فصل 11. جلوگیری از بیش برازش با رگرسیون ریج، LASSO و شبکه الاستیک
فصل 11. رگرسیون ریج چیست
فصل 11. نرم L2 چیست و رگرسیون ریج چگونه از آن استفاده می کند
فصل 11. نرم L1 چیست و LASSO چگونه از آن استفاده می کند
فصل 11. شبکه الاستیک چیست
فصل 11. ساخت اولین مدل های ریج، LASSO و شبکه الاستیک شما
فصل 11. مقایسه ریج، LASSO، شبکه الاستیک و OLS با یکدیگر
فصل 11. نقاط قوت و ضعف ریج، LASSO و شبکه الاستیک
فصل 11. خلاصه
فصل 12. رگرسیون با kNN، جنگل تصادفی و XGBoost
فصل 12. استفاده از یادگیرنده های مبتنی بر درخت برای پیش بینی یک متغیر پیوسته
فصل 12. ساخت اولین مدل رگرسیون kNN شما
فصل 12. ساخت اولین مدل رگرسیون جنگل تصادفی شما
فصل 12. ساخت اولین مدل رگرسیون XGBoost شما
فصل 12. مقایسه فرآیندهای ساخت مدل kNN، جنگل تصادفی و XGBoost
فصل 12. نقاط قوت و ضعف kNN، جنگل تصادفی و XGBoost
فصل 12. خلاصه
بخش 4. کاهش ابعاد
فصل 13. تحلیل مولفه های اصلی چیست
فصل 13. به حداکثر رساندن واریانس با تحلیل مولفه های اصلی
فصل 13. ساخت اولین مدل PCA شما
فصل 13. نقاط قوت و ضعف PCA
فصل 13. خلاصه
فصل 14. UMAP چیست
فصل 14. به حداکثر رساندن شباهت با t-SNE و UMAP
فصل 14. ساخت اولین مدل UMAP شما
فصل 14. ساخت اولین تعبیه t-SNE شما
فصل 14. نقاط قوت و ضعف t-SNE و UMAP
فصل 14. خلاصه
فصل 15. نقشه های خود سازماندهی و تعبیه خطی محلی
فصل 15. نقشه های خود سازماندهی چیست
فصل 15. ساخت اولین SOM شما
فصل 15. تعبیه خطی محلی چیست
فصل 15. ساخت اولین LLE شما
فصل 15. ساخت یک LLE از داده های کک ما
فصل 15. نقاط قوت و ضعف SOM ها و LLE
فصل 15. خلاصه
بخش 5. خوشه بندی
فصل 16. خوشه بندی با یافتن مراکز با k-میانگین
فصل 16. ساخت اولین مدل k-میانگین شما
فصل 16. نقاط قوت و ضعف خوشه بندی k-میانگین
فصل 16. خلاصه
فصل 17. خوشه بندی سلسله مراتبی
فصل 17. ساخت اولین مدل خوشه بندی سلسله مراتبی تجمعی شما
فصل 17. خوشه های ما چقدر پایدار هستند
فصل 17. نقاط قوت و ضعف خوشه بندی سلسله مراتبی
فصل 17. خلاصه
فصل 18. خوشه بندی بر اساس چگالی: DBSCAN و OPTICS
فصل 18. ساخت اولین مدل DBSCAN شما
فصل 18. ساخت اولین مدل OPTICS شما
فصل 18. نقاط قوت و ضعف خوشه بندی مبتنی بر چگالی
فصل 18. خلاصه
فصل 19. خوشه بندی بر اساس توزیع ها با مدل سازی مخلوط
فصل 19. ساخت اولین مدل مخلوط گوسی برای خوشه بندی
فصل 19. نقاط قوت و ضعف خوشه بندی مدل مخلوط
فصل 19. خلاصه
فصل 20. یادداشت های پایانی و مطالعه بیشتر
فصل 20. از اینجا به کجا می توانید بروید
فصل 20. حرف آخر

کلمات کلیدی: Machine Learning with R, the tidyverse, and mlr. Video Edition, آموزش Machine Learning with R, the ti, Oreilly full tutorial collection, خقثهممغ, خقثهممغ, Download Machine Learning with R, the tidyverse, and mlr. Video Edition, Tutorial, E-Learning, Training Course, Education, برنامه نویسی و طراحی وب, Instruction, CBT, Teacher, Direct Download Link, DDL, New, Update, Online, Buy, Usnet, Torrent, P30Download, Danlod, Danload, Donload, nhkg,n hl,ca, پشزاهدث مثشقدهدل صهفا ق, فاث فهیغرثقسث, شدی پمق. رهیثخ ثیهفهخد, ئشزاهدث مثشقدهدل صهفا ق, فاث فهیغرثقسث, شدی ئمق. رهیثخ ثیهفهخد, Machine learning (ML) is a collection of programming techniques for discovering relationships in data., دانلود آموزش های شرکت اوریلی, h,vdgd, h,vdgd, دانلود آموزش آموزش یادگیری ماشین با آر، تایدی‌ورس و ام‌ال‌آر. نسخه ویدیویی, اموزش آنلاین, مجازی, فیلم آموزشی, مبتنی بر کامپیوتر, یادگیری, ویدئو, دوره آموزشی, algorithms, data analysis, data science, machine learning, mlr, Oreilly, programming, R programming, RStudio, statistics, tidyverse, هوش مصنوعی, یادگیری ماشین, video tutorial, آموزش ماشین, آموزش ویدیویی, آموزش یادگیری ماشین, آمار, الگوریتم‌ها, ام‌ال‌آر, اوریلی, برنامه‌نویسی, برنامه‌نویسی آر, تایدی‌ورس, تحلیل داده, داده‌کاوی, علم داده, راهنمای تصویری, استاد, مدرس, معلم, تدریس خصوصی, Development & Web, رایگان, خرید, پی سی, پی 30, با لینک مستقیم, اپدیت, در دوره آموزشی Machine Learning with R, the tidyverse, and mlr. Video Edition با مفاهیم و ابزارهای یادگیری ماشین در محیط R آشنا خواهید شد., ترافیک نیم بها, ای لرنینگ, فایل آموزش, از راه دور, مجانی, داونلود, دانلد, تورنت, یوزنت, تحميل, ڈاؤن لوڈ, دریافت, فعفخقهشم مثشقدهدل فقشهدهدل, hl,ca dhn"dvd lhadk fh hv، jhdnd‌,vs , hl‌hg‌hv. ksoi ,dnd,dd, hl,ca dhn'dvd lhadk fh hv، jhdnd‌,vs , hl‌hg‌hv. ksoi ,dnd,dd,دانلود Machine Learning with R, the tidyverse, and mlr. Video Edition - آموزش یادگیری ماشین با آر، تایدی‌ورس و ام‌ال‌آر,
2025-07-04
16:17:27

دانلود Machine Learning with R, the tidyverse, and mlr. Video Edition - آموزش یادگیری ماشین با آر، تایدی‌ورس و ام‌ال‌آر
🎓 نام آموزش	Machine Learning with R, the tidyverse, and mlr. Video Edition
📁 دسته بندی	برنامه نویسی و طراحی وب
💾 حجم فایل	2321 مگابایت
📅 تاریخ به روزرسانی	1404/4/21
📊 تعداد دانلود	19
❤️ هزینه دانلود	رایگان و نیم بها

تصاویر آموزش Machine Learning with R, the tidyverse, and mlr. Video Edition

Machine Learning with R, the tidyverse, and mlr. Video Edition Screenshot 1

Machine Learning with R, the tidyverse, and mlr. Video Edition Screenshot 2

Machine Learning with R, the tidyverse, and mlr. Video Edition Screenshot 3

Machine Learning with R, the tidyverse, and mlr. Video Edition Screenshot 4

Machine Learning with R, the tidyverse, and mlr. Video Edition Screenshot 5

Machine Learning with R, the tidyverse, and mlr. Video Edition Download

Machine learning (ML) is a collection of programming techniques for discovering relationships in data. With ML algorithms, you can cluster and classify data for tasks like making recommendations or fraud detection and make predictions for sales trends, risk analysis, and other forecasts. Once the domain of academic data scientists, machine learning has become a mainstream business process, and tools like the easy-to-learn R programming language put high-quality data analysis in the hands of any programmer. Machine Learning with R, the tidyverse, and mlr teaches you widely used ML techniques and how to apply them to your own datasets using the R programming language and its powerful ecosystem of tools

Table of Contents:

Machine Learning with R, the tidyverse, and mlr. Video Edition
Part 1. Introduction
Chapter 1. Introduction to machine learning
Chapter 1. What will you learn in this book
Chapter 1. Why use R for machine learning
Chapter 1. Which datasets will we use
Chapter 1. Classes of machine learning algorithms
Chapter 1. Thinking about the ethical impact of machine learning
Chapter 1. Summary
Part 2. Classification
Chapter 2. Tidying, manipulating, and plotting data with the tidyverse
Chapter 2. Loading the tidyverse
Chapter 2. What the tibble package is and what it does
Chapter 2. What the dplyr package is and what it does
Chapter 2. What the tidyr package is and what it does
Chapter 2. What the purrr package is and what it does
Chapter 2. What the ggplot2 package is and what it does
Chapter 2. Summary
Appendix. Refresher on statistical concepts
Appendix. Sigma notation
Appendix. Vectors
Appendix. Logarithms
Appendix. Central tendency
Appendix. Measures of dispersion
Appendix. Distributions
Appendix. Measures of the relationships between variables
Chapter 3. Classifying based on similarities with k-nearest neighbors
Chapter 3. What algorithms can learn, and what they must be told Parameters and hyperparameters
Chapter 3. Building your first kNN model
Chapter 3. Tuning k to improve the model
Chapter 3. Using cross-validation to tell if we're overfitting or underfitting
Chapter 3. Cross-validating our kNN model
Chapter 3. Strengths and weaknesses of kNN
Chapter 3. Summary
Chapter 4. Classifying based on odds with logistic regression
Chapter 4. Building your first logistic regression model
Chapter 4. Interpreting the model The odds ratio
Chapter 4. Using our model to make predictions
Chapter 4. Cross-validating the logistic regression model
Chapter 4. Strengths and weaknesses of logistic regression
Chapter 4. Summary
Chapter 5. Classifying by maximizing separation with discriminant analysis
Chapter 5. Building your first linear and quadratic discriminant models
Chapter 5. Strengths and weaknesses of LDA and QDA
Chapter 5. Summary
Chapter 6. Classifying with naive Bayes and support vector machines
Chapter 6. Building your first naive Bayes model
Chapter 6. What is the support vector machine (SVM) algorithm
Chapter 6. Building your first SVM model
Chapter 6. Cross-validating our SVM model
Chapter 6. Strengths and weaknesses of naive Bayes
Chapter 6. Strengths and weaknesses of the SVM algorithm
Chapter 6. Summary
Chapter 7. Classifying with decision trees
Chapter 7. Loading and exploring the zoo dataset
Chapter 7. Building your first decision tree model
Chapter 7. Training the decision tree model
Chapter 7. Cross-validating our decision tree model
Chapter 7. Strengths and weaknesses of tree-based algorithms
Chapter 7. Summary
Chapter 8. Improving decision trees with random forests and boosting
Chapter 8. Benchmarking algorithms against each other
Chapter 8. Building your first random forest model
Chapter 8. Building your first XGBoost model
Chapter 8. Strengths and weaknesses of tree-based algorithms
Chapter 8. Summary
Part 3. Regression
Chapter 9. Linear regression
Chapter 9. Building your first linear regression model
Chapter 9. Strengths and weaknesses of linear regression
Chapter 9. Summary
Chapter 10. Nonlinear regression with generalized additive models
Chapter 10. More flexibility Splines and generalized additive models
Chapter 10. Building your first GAM
Chapter 10. Strengths and weaknesses of GAMs
Chapter 10. Summary
Chapter 11. Preventing overfitting with ridge regression, LASSO, and elastic net
Chapter 11. What is ridge regression
Chapter 11. What is the L2 norm, and how does ridge regression use it
Chapter 11. What is the L1 norm, and how does LASSO use it
Chapter 11. What is elastic net
Chapter 11. Building your first ridge, LASSO, and elastic net models
Chapter 11. Benchmarking ridge, LASSO, elastic net, and OLS against each other
Chapter 11. Strengths and weaknesses of ridge, LASSO, and elastic net
Chapter 11. Summary
Chapter 12. Regression with kNN, random forest, and XGBoost
Chapter 12. Using tree-based learners to predict a continuous variable
Chapter 12. Building your first kNN regression model
Chapter 12. Building your first random forest regression model
Chapter 12. Building your first XGBoost regression model
Chapter 12. Benchmarking the kNN, random forest, and XGBoost model-building processes
Chapter 12. Strengths and weaknesses of kNN, random forest, and XGBoost
Chapter 12. Summary
Part 4. Dimension reduction
Chapter 13. What is principal component analysis
Chapter 13. Maximizing variance with principal component analysis
Chapter 13. Building your first PCA model
Chapter 13. Strengths and weaknesses of PCA
Chapter 13. Summary
Chapter 14. What is UMAP
Chapter 14. Maximizing similarity with t-SNE and UMAP
Chapter 14. Building your first UMAP model
Chapter 14. Building your first t-SNE embedding
Chapter 14. Strengths and weaknesses of t-SNE and UMAP
Chapter 14. Summary
Chapter 15. Self-organizing maps and locally linear embedding
Chapter 15. What are self-organizing maps
Chapter 15. Building your first SOM
Chapter 15. What is locally linear embedding
Chapter 15. Building your first LLE
Chapter 15. Building an LLE of our flea data
Chapter 15. Strengths and weaknesses of SOMs and LLE
Chapter 15. Summary
Part 5. Clustering
Chapter 16. Clustering by finding centers with k-means
Chapter 16. Building your first k-means model
Chapter 16. Strengths and weaknesses of k-means clustering
Chapter 16. Summary
Chapter 17. Hierarchical clustering
Chapter 17. Building your first agglomerative hierarchical clustering model
Chapter 17. How stable are our clusters
Chapter 17. Strengths and weaknesses of hierarchical clustering
Chapter 17. Summary
Chapter 18. Clustering based on density DBSCAN and OPTICS
Chapter 18. Building your first DBSCAN model
Chapter 18. Building your first OPTICS model
Chapter 18. Strengths and weaknesses of density-based clustering
Chapter 18. Summary
Chapter 19. Clustering based on distributions with mixture modeling
Chapter 19. Building your first Gaussian mixture model for clustering
Chapter 19. Strengths and weaknesses of mixture model clustering
Chapter 19. Summary
Chapter 20. Final notes and further reading
Chapter 20. Where can you go from here
Chapter 20. The last word

More info ( ↓ open / close ↑ )

مشخصات آموزش Machine Learning with R, the tidyverse, and mlr. Video Edition

شرکت سازنده: اوریلی / Oreilly
نام انگلیسی: Machine Learning with R, the tidyverse, and mlr. Video Edition
نام فارسی: آموزش یادگیری ماشین با آر، تایدی‌ورس و ام‌ال‌آر. نسخه ویدیویی
زبان آموزش: انگلیسی
زیرنویس: ندارد
مدرس: Hefin Rhys
سطح آموزشی: مقدماتی, متوسطه, پیشرفته
زمان آموزش: 15 ساعت + 49 دقیقه
حجم فایل: 2321 مگابایت
تاریخ انتشار: 21:56 - 1404/4/21 | 2025.07.12
منبع: پی سی دانلود / www.p30download.ir
امتیاز: 4/5