کارگاه Machine Learning با پایتون – خلاصه جلسات دوم و سوم

137 ۰

اولین کارگاه Machine Learning با پایتون، با هدف آموزش و توانمندسازی مهندسین در اسفند ۹۷ در دانشگاه شهید بهشتی توسط آکادمی یادگیری ماشین ایران برگزار گردید.

همانطور که می دانید، امروزه Machine Learning به بخش اصلی در اغلب شرکت های معتبر، تبدیل شده است. این موضوع به ویژه در استارتاپ های حوزه های نرم افزار و فناوری اطلاعات نمود بیشتری دارد. از طرف دیگر زبان برنامه نویسی پایتون (Python) و نیز کتابخانه های بهینه ای که توسط شرکت های بزرگ مانند Google و Facebook برای علم هوش مصنوعی و Machine Learning ارایه شده اند، بستر بسیار مناسبی جهت فعالیت های این حوزه را فراهم نموده است. بنابراین ما تصمیم گرفتیم، تا در این کارگاه آموزشی، علاوه بر ارایه مباحث مربوط به زبان برنامه نویسی پایتون، به آموزش کتابخانه های اصلی و پرکاربرد از قبیل Numpy، Pandas، Matplotlib و Scikit-learn نیز بپردازیم تا شرکت کنندگان در کارگاه Machine Learning با پایتون، توانمندی پیاده سازی و اجرای پروژه های کاربردی این حوزه را فرا بگیرند.

کارگاه Machine Learning با پایتون
کارگاه Machine Learning با پایتون

جهت مشاهده ویدیوهای کارگاه Machine Learning (جلسه اول) می توانید از طریق لینک زیر اقدام نمایید:

کارگاه Machine learning با پایتون – جلسه اول

خلاصه ای از مباحث ارایه شده در جلسه دوم و سوم کارگاه Machine learning با پایتون

در ادامه جلسه اول این کارگاه، به ارایه مباحث پیشرفته زبان برنامه نویسی پایتون پرداخته شد.

خلاصه مباحث جلسات دوم و سوم به شرح زیر می باشد که در دسترس شما می باشد:

NumPy یک کتابخانه برای زبان برنامه نویسی پایتون (Python) است. با استفاده از کتابخانه NumPy قابلیت بهره گیری از آرایه‌ها و ماتریس‌ها فراهم خواهد شد. هم‌چنین می‌توان، از توابع محاسباتی و ریاضیاتی سطح بالا بر روی این آرایه‌ها و ماتریس ها در پروژه مبتنی بر پایتون استفاده کرد.

اگر یک Data Scientist هستید، گام اصلی، ورود اطلاعات مجموعه داده (Dataset) جهت پردازش می باشد.

خبر خوب اینکه، این موضوع برای متخصصین زبان پایتون حل شده است.

استفاده از کتابخانه Pandas دست شما را برای این موضوع باز خواهد گذاشت.

برای کسب اطلاعات بیشتر ویدیوی آموزشی تهیه شده توسط Iran-Machinelearning را مشاهده نمایید.

کارگاه Machine Learning با پایتون
  • آموزش مقدماتی EDA و نحوه ورود به پروژه های عملی Data Science

در تمامی راهنماها و آموزش های ارایه شده برای علاقمندان به یادگیری ماشین (Machine learning) و علم داده (Data Science) همواره ذکر شده است که مهمترین گام در شروع شناسایی داده ها و Data Wrangling مربوط به EDA می باشد. Exploratory Data Analysis که به عنوان بخش تحلیلی داده های در اختیار به شمار می رود، روش های مختلفی دارد که در زبان برنامه نویسی Python با کتابخانه Pandas شروع خواهد شد و با روش های مختلف بصری سازی (Visualization) همراه خواهد شد. بدین ترتیب شهود اولیه ای از داده ها به دست خواهد آمد و از این شهود در انتخاب روش های تحلیل داده ها و نیز الگوریتم های Machine Learning می توان بسیار بهره برد.

  • بررسی اولیه کتابخانه Scikit-learn به منظور پیاده سازی و اجرای الگوریتم های مختلف یادگیری ماشین

کتابخانه Scikit-learn شامل پکیج ها و الگوریتم های از پیش پیاده سازی شده Machine learning می باشد. این کتابخانه تقریباً تمامی الگوریتم های محبوب را دارد و به تنهایی بار زیادی از کدهای برنامه های شما را به دوش می کشد.

مدرسین: آقایان دکتر محمد منثوری و دکتر سهیل تهرانی پور

نوشته مرتبط

دیدگاه خود را بنویسید

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