خانه » آموزش

آموزش

تجزیه و تحلیل مشتریان مبتنی بر مدل RFM

مدل RFM یک روش محبوب و کارا برای تجزیه و تحلیل مشتریان است. در این روش از ۳ معیار اخرین خرید مشتری، تعداد دفعات خرید و مبلغ خرید استفاده می شود. با استفاده از این معیار ها مدل RFM طراحی می شود. با روش های مصور سازی داده اطلاعات بدست آمده از مدل نمایش داده می شود.

آموزش ساخت شبکه عصبی از ابتدا در پایتون بدون tensorflow

انگیزه: برای درک بهتر از Deep Learning ، تصمیم گرفتم ساخت شبکه عصبی را از ابتدا و بدون کتابخانه یادگیری عمیق مانند TensorFlow انجام دهم. به اعتقاد من  درک عملکرد  یک شبکه عصبی بسیار با اهمیت است. شبکه عصبی چیست؟ …

آموزش ساخت شبکه عصبی از ابتدا در پایتون بدون tensorflow ادامه مطلب »

پیش بینی مقادیر مفقود شده با رگرسیون خطی و جنگل تصادفی در پایتون

در این پست ما در مورد چگونگی ساختن مدلهای یادگیری ماشین برای پیش بینی مقادیر مفقود شده در داده ها پرداختیم. در ابتدا ما یک مدل رگرسیون خطی آموزش داده شده بر روی ویژگی “امتیاز” برای پیش بینی قیمت نوشیدنی ساختیم. سپس ما یک مدل جنگلی تصادفی راکه بر روی ویژگی “امتیاز” و متغیرهای کیفی آموزش دادیم تا قیمت نوشیدنی را پیش بینی کنیم. ما دیدیم که مدل جنگلهای تصادفی به طور قابل توجهی از مدل مبتنی بر رگرسیون خطی بهتر است.

اموزش عملی ماشین بردار پشتیبان(SVM) با پایتون

یکی از الگوریتم های طبقه بندی داده ها الگوریتم SVM یا ماشین برداز پشتیبان است. در این مطلب با این الگپریتم اشنا می شویم و با یک مثال عملی آن را پیاده سازی می کنیم.

ساخت برنامه شناسایی چهره در پایتون

در این پست ، من به شما نشان می دهم که چگونه با استفاده از پایتون برنامه شناسایی چهره خود را بسازید. ساخت برنامه ای که چهره ها را شناسایی و تشخیص دهد یک پروژه بسیار جالب و سرگرم کننده برای شروع با بینایی کامپیوتر است.

شناسایی چهره در پایتون

طراحی خزنده وب با پایتون

جمع آوری داده شروع و پایه کار علم داده است. روش های سنتی زیادی برای بدست آوردن داده ها وجود دارد. اینرنت به عنوان غنی ترین بستر ذخیر و نگهداری داده محل مناسبی برای جمع آوری اطلاعات است. در این مطلب قصد داریم نحوه جمع آوری و ذخیره داده ها از وب(خزنده وب) را اموزش دهیم.

چگونه با استفاده از بهینه سازها ، شبکه عصبی را سریعتر آموزش دهیم؟

بهینه سازی الگوریتم های یادگیری ماشین بهینه سازی (Optimization) فرآیندی برای جستجوی پارامترهایی است که توابع ما را به حداقل یا حداکثر می رساند. وقتی مدل یادگیری ماشین را آموزش می دهیم ، معمولاً از بهینه سازی غیرمستقیم استفاده می …

چگونه با استفاده از بهینه سازها ، شبکه عصبی را سریعتر آموزش دهیم؟ ادامه مطلب »

بهینه ساز شبکه عصبی

راهنمای جامع آموزش شبکه های عصبی کانولوشن – روش ELI5

در سال های اخیر هوش مصنوعی شاهد رشد چشمگیری بوده است. محققان و علاقه مندان روی جنبه های مختلفی از این زمینه کار می کنند. یکی از از این جنبه ها بینایی ماشین (Computer Vision) است. هدف ما این این …

راهنمای جامع آموزش شبکه های عصبی کانولوشن – روش ELI5 ادامه مطلب »

آشنایی با کتابخانه scikit Learn سایکیت لرن

scikit learn – سایکیت لرن یک کتابخانه رایگان با زبان پایتون برای یادگیری ماشین است. این کتابخانه دارای الگوریتم های یادگیری ماشین مانند ماشین بردار پشتیبان (SVM)، درخت تصمیم و k نزدیک ترین همسایه است. همچنین این کتابخانه از کتابخانه های عددی و آماری پایتون مانند NumPy و SciPy پشتیبانی می کند. این کتابخانه می تواند یادگیری نظارت شده و یا یادگیری بدون نظارت را با کیفیت خوبی انجام دهد.

مبانی ساختار شبکه های عصبی

در قرن اخیر ایجاد هوش مصنوعی به ما امکان ایجاد برنامه های شگفت انگیز را داده است که می تواند توانایی های بهتر از انسان داشته باشد .این امر مهم که یادگیری ماشین نامیده می شود توسط شبکه عصبی انجام می شود، شبکه های عصبی الگوهای موجود در داده های شما را شناسایی کرده و پس از آموزش خواهند توانست با شناسایی الگوهای مشابه در آینده نتایج را پیش بینی کنند. شبکه عصبی مجموعه ای از الگوریتم ها است که تلاش می کند از طریق آموزش از ساختار و عملکرد مغز انسان تقلید کنند. آنها می توانند با تغییر ورودی سازگار شوند و بنابراین این شبکه ها بدون نیاز به طراحی مجدد میتوانند بهترین نتیجه ممکن را پیش بینی کنند.

به بالای صفحه بردن