به‌دلیل اختلالات گسترده در دانلود سرور، در صورت تمایل به خرید و دانلود هر یک از محصولات، می‌توانید در پیام رسان ایتا یا تلگرام با ما در ارتباط باشید.
در این سری از پست‌های آموزشی پی استور، می‌خواهیم درمورد تفاوت یادگیری ماشین و یادگیری عمیق صحبت کنیم. امروزه با ماشینی یا هوشمند شدن زندگی انسان‌ها، هوش مصنوعی یا Artificial intelligence به اختصار AI و ماشین لرنینگ (Machine Learning) مورد توجه محققان علوم کامپیوتر واقع شده است.
در واقع،
در این پست به معرفی و بررسی انواع خوشه بندی در داده کاوی خواهیم پرداخت. در ابتدا لازم است به تعریف خوشه بندی بپردازیم و کاربرد های خوشه بندی در داده کاوی را بیان کنیم و در ادامه به تشریح انواع روش های خوشه‌بندی در داده کاوی و مقایسه آن‌ها
درخت تصمیم یا درخت تصمیم گیری در واقع مفهومی کاربردی برای افرادی است که به تصمیم گیری‌های پیچیده نیاز دارند. با این روش می‌توان برای گرفتن تصمیم هر چه بهتر مسائل خود را به بخش‌های کوچکتر تقسیم کرد. این کار به سازماندهی هر چه بهتر ذهن کمک زیادی کرده و
در این مقاله به آموزش deep learning یا یادگیری عمیق می‌پردازیم. یادگیری عمیق deep learning زیرمجموعه‌ای از یادگیری ماشین Machine Learning مبتنی بر شبکه‌های عصبی مصنوعی Artificial Neural Network (ANN) است. اگر علاقه‌مند به یادگیری این موضوع هستید با ما همراه باشید.
الگوریتم K نزدیک‌ترین همسایه (K-nearest neighbors | KNN) نوعی از الگوریتم های یادگیری ماشینی نظارت شده است. پیاده سازی الگوریتم KNN در پایتون در ابتدایی‌ترین شکل آن بسیار آسان است. الگوریتم K همسایه نزدیک یک الگوریتم یادگیری به اصطلاح تنبل یا lazy learning algorithm است چون فاز آموزش تخصصی ندارد.
با پست آموزش یادگیری عمیق در خدمتتان هستیم. یادگیری عمیق شاخه‌ای از هوش مصنوعی است که طی آن، ماشین از رفتارها و خط فکری انسان در شرایط مختلف تقلید می‌کند.
سیستم یادگیری ماشین در این بخش، به‌طرز قابل توجهی مثل یک شبیه‌ساز رفتار انسان عمل می‌کند که ممکن است
در این پست قصد داریم در مورد یادگیری ماشین و به ویژه آموزش یادگیری عمیق با پایتون صحبت کنیم. در بیان جزئی‌تر، نحوه ساخت شبکه‌های عصبی با پایتون و نحوه یادگیری عمیق در آن را با استفاده از قدرت تجسم و همچنین ایجاد explainer یا توضیح‌گر برای پیش‌بینی مدل را
تدوین مقاله آموزش انتخاب ویژگی با الگوریتم ژنتیک، یک دلیل اساسی دارد و آن‌هم این است: چندی پیش، درگیر پروژه انبوه داده‌‌ای بودم که برایم بسیار پرهزینه و وقت‌گیر بود. این مشکل را با متخصصان علوم کامپیوتر مطرح کرده و از آن‌ها درخواست کمک کردم.
تا اینکه روش انتخاب
در این مقاله قصد داریم در مورد اینکه NLP چیست؟ صحبت کنیم و درباره NLP که اختصار عبارت natural language processing است اطلاعاتی به‌دست بیاوریم. ارتباط آن با یادگیری ماشین و هوش مصنوعی را یاد بگیریم. علاقمندان به این مبحث با ما همراه باشند که در ادامه به‌صورت جامع و
در این پست از آموزش پایتون پیشرفته در مورد خوشه بندی K-means در پایتون صحبت خواهیم کرد. خوشه بندی k-means یک روش یادگیری ماشین بدون نظارت است که برای شناسایی خوشه هایی از اشیاء داده، در یک مجموعه داده استفاده می شود.
انواع مختلفی از روش های خوشه بندی
دسته بندی OneR یکی از روش‌های دسته بندی یا classification در زیر شاخه گروه جدول فراوانی Frequency Table در بحث پیش بینی آینده predicting the future در علوم داده یا داده کاوی است. در ادامه به توضیح و تشریح این الگوریتم همراه با یک مثال خواهیم پرداخت.
طبقه بندی ZeroR به راحتی طبقه بندی اکثریت (کلاس) را پیش بینی می کند. اگرچه هیچ قدرت پیش بینی در ZeroR وجود ندارد ، اما برای تعیین عملکرد پایه به عنوان معیار سایر روش های طبقه بندی مفید است.
طبقه بندی یک کار علمی داده‌ها برای پیش بینی مقدار متغیر طبقه بندی شده (هدف یا کلاس) با ساختن یک مدل بر اساس یک یا چند متغیر عددی و / یا دسته‌ای (پیش بینی کننده یا ویژگی) است.
ارزش برنامه‌های علوم داده غالباً بسیار بالا تخمین زده می‌شود. بسیاری از مشاغل در طی سال‌های کار مقدار زیادی از داده‌ها را ذخیره کرده‌اند و علم داده قادر است دانش بسیار ارزشمندی را از این داده‌ها استخراج کند و مشاغل قادر به بهره گیری از دانش استخراج شده به مشتریان
تئوری بیزین توسط توماس بیز در سال (۱۷۰۲-۱۷۶۱) پیشنهاد شد. قضیه بیزین یک روش از محاسبات احتمالی است و احتمال رخدادی که در آینده رخ خواهد داد وابسته به رخدادی است که قبلا رخ داده است. این تئوری توانایی خود یادگیری در سیستم هوشمند دارد که به‌صورت گسترده استفاده می‌شود.
خوشه بندی یکی از روش‌های یادگیری بدون نظارت است و هدف آن تقسیم بندی داده‌ها به خوشه های مختلف است به طوری که داده‌های درون یک خوشه بیشترین شباهت به یکدیگر را داشته باشند و از طرف دیگر داده‌های قرار گرفته در خوشه‌های مختلف بیشترین تفاوت را داشته باشند.
قبل از بحث اصلی باید مفهوم مجموعه اقلام تکرار شده frequent itemset و مجموعه اقلام کاندید candidate itemset توضیح داده شود. بنابراین می‌توان گفت یک مجموعه اقلام تکرار شده، مجموعه اقلامی است که پشتیبان آن بیشتر از حداقل پشتیبان تعریف شده از سوی کاربر باشد. یک مجموعه اقلام کاندید، مجموعه
رگرسیون لجستیک معروف‌ترین الگوریتم یادگیری ماشین بعد از رگرسیون خطی است. از بسیاری جهات، رگرسیون خطی و رگرسیون لجستیک مشابه هستند. اما، بزرگ‌ترین تفاوت در این است که آن‌ها برای چه استفاده می‌شوند. الگوریتم های رگرسیون خطی برای پیش‌بینی مقادیر استفاده می٬شود اما رگرسیون لجستیک برای وظایف دسته‌بندی استفاده می‌شود.
روش K نزدیک‌ترین همسایه نزدیک K Nearest Neighbors یا (KNN) یک روش یادگیری موردی است و از جمله ساده‌ترین الگوریتم‌های یادگیری ماشین می‌باشد که به روش K همسایه نزدیک نیز معروف است. در این الگوریتم یک نمونه با رای اکثریت از همسایه‌هایش دسته‌بندی می‌شود و این نمونه در عمومی‌ترین کلاس
در این پست قصد داریم مروری بر الگوریتم جنگل تصادفی داشته و با نحوه عملکرد آن آشنا شویم. در موضوع الگوریتم جنگل تصادفی به ویژگی‌های این الگوریتم پرداخته و نحوه استفاده از آن را در برنامه‌های کاربردی ارائه می‌دهیم، همچنین به شرح مزایا و معایب این الگوریتم می‌پردازیم. پس اگر
