Machine Learning with Python 2025-11 is a comprehensive, hands-on course designed to take you from the fundamentals to advanced, real-world mastery of k-nearest. Whether you are just starting out or looking to level up, this course gives you the structured path and practical projects you need to succeed.
Throughout the lessons you will build genuine confidence with k-nearest and coursera, learning through clear explanations and step-by-step examples you can apply immediately. Below you will find everything the course covers, who it is for, and a full breakdown of the curriculum before you download.
Course Description
Machine Learning with Python، دوره آموزش یادگیری ماشینی با پایتون توسط آکادمی Coursera منتشر شده است. با استفاده از پایتون برای شیرجه زدن به دنیای یادگیری ماشینی (ML) آماده شوید! این دوره برای شما مناسب است چه بخواهید حرفه علم داده خود را پیش ببرید و چه در یادگیری ماشین و یادگیری عمیق شروع کنید. این دوره با مقدمه ای ملایم بر یادگیری ماشین و چیستی آن، با موضوعاتی مانند یادگیری نظارت شده در مقابل یادگیری بدون نظارت، رگرسیون خطی و غیر خطی، رگرسیون ساده و موارد دیگر آغاز خواهد شد. سپس با استفاده از الگوریتمهای طبقهبندی مختلف، یعنی K-Nearest Neighbors (KNN)، درختهای تصمیمگیری و رگرسیون لجستیک، به تکنیکهای طبقهبندی میپردازید. همچنین با اهمیت و انواع مختلف خوشه بندی مانند k-means، خوشه بندی سلسله مراتبی و DBSCAN آشنا خواهید شد. با تمام مفاهیم بسیاری که یاد خواهید گرفت، تاکید زیادی بر یادگیری عملی خواهد شد. شما با کتابخانه های پایتون مانند SciPy و scikit-learn کار خواهید کرد و دانش خود را از طریق آزمایشگاه ها به کار خواهید برد. در پروژه نهایی شما مهارت های خود را با ساخت، ارزیابی و مقایسه چندین مدل یادگیری ماشین با استفاده از الگوریتم های مختلف نشان خواهید داد. در پایان این دوره، مهارت های آماده کار برای اضافه کردن به رزومه و گواهی یادگیری ماشین برای اثبات شایستگی خود خواهید داشت.
What You Will Learn
- انواع مختلف الگوریتم های یادگیری ماشین و زمان استفاده از آنها را شرح دهید
- مقایسه و مقایسه روش های طبقه بندی خطی از جمله پیش بینی چند کلاسه، ماشین های بردار پشتیبان و رگرسیون لجستیک
- کد پایتون بنویسید که تکنیکهای طبقهبندی مختلف از جمله K-Nearest همسایگان (KNN)، درختهای تصمیمگیری و درختهای رگرسیون را پیادهسازی میکند.
- ارزیابی نتایج از رگرسیون خطی ساده، غیر خطی و چندگانه بر روی یک مجموعه داده با استفاده از معیارهای ارزیابی
Course Features & Specifications
- ناشر : Coursera
- مدرس : Joseph Santarcangelo
- زبان: انگلیسی
- سطح آموزش : تمام سطوح
- تعداد دروس : 6
- مدت زمان آموزش : 2 هفته با احتساب 10 ساعت کار در هفته
Prerequisites
- A working knowledge of Python and Data Analysis and Visualization techniques. A minimum of high school math.
Preview
Installation Guide
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720p
نسخه 2025/11 نسبت به 2025/1 به تعداد 2 درس افزایش و مدت زمان 20 دقیقه کاهش داشته است.
