تبلیغات
تبلیغات

دانلود فیلم آموزشی Udemy – Unsupervised Machine Learning Hidden Markov Models in Python

Udemy Unsupervised Machine Learning Hidden Markov Models in Python

یادگیری ماشین بدون نظارت مدلهای مخفی مارکوف در پایتون را فرا بگیرید. برای آنالیز قیمت سهام ، مدل سازی زبان ، تجزیه و تحلیل وب ، زیست شناسی و آمار و ارقام پیج ها به شما آموزش هایی داده میشود. مدل مخفی مارکوف یا HMM همه چیز در مورد توالی های یادگیری است. بسیاری از داده هایی که مدل سازی آنها برای ما بسیار مفید است به ترتیب می باشد. قیمت سهام توالی قیمت ها است. زبان دنباله ای از کلمات است. امتیازدهی اعتبار شامل توالی های وام و بازپرداخت پول است و ما می توانیم از این توالی ها پیش بینی کنیم که آیا شما به طور پیش فرض پیش می روید یا نه. به طور خلاصه ، توالی ها در همه جا وجود دارند و توانایی تجزیه و تحلیل آنها مهارت مهمی در جعبه ابزار علوم داده شماست. ساده ترین راه برای درک نوع اطلاعاتی که از یک دنباله دریافت می کنید ، در نظر گرفتن آنچه اکنون می خوانید است. اگر جمله قبلی را به عقب می نوشتم ، برای شما چندان منطقی نخواهد بود ، حتی اگر همه واژه های مشابه را داشته باشد. بنابراین نظم مهم است. در حالی که مد فعلی در یادگیری عمیق استفاده از شبکه های عصبی مکرر برای مدل سازی توالی ها است ، من می خواهم ابتدا شما را با الگوریتم یادگیری ماشین که چندین دهه است وجود دارد – مدل مخفی مارکوف – آشنا کنم. این دوره مستقیماً از اولین دوره من در یادگیری ماشین بدون نظارت برای تجزیه و تحلیل خوشه ای دنبال می شود ، جایی که شما یاد گرفتید چگونه توزیع احتمال یک متغیر تصادفی را اندازه گیری کنید. در این دوره ، شما می آموزید که توزیع احتمال توالی متغیرهای تصادفی را اندازه گیری کنید. ما می خواهیم این کار را در Theano و Tensorflow انجام دهیم ، کتابخانه های محبوب برای یادگیری عمیق. این همچنین به شما یاد می دهد که چگونه با توالی هایی در Theano و Tensorflow کار کنید ، که وقتی شبکه های عصبی مکرر و LSTM ها را پوشش دهیم بسیار مفید خواهد بود. این دوره همچنین قصد دارد بسیاری از کاربردهای عملی مدلهای مارکوف و مدلهای مخفی مارکوف را پشت سر بگذارد. ما می خواهیم الگوی بیماری و سلامتی را بررسی کنیم و محاسبه کنیم که اگر بیمار شوید چه مدت بیمار می مانید پیش بینی کنید. ما در مورد چگونگی استفاده از مدل های Markov برای تجزیه و تحلیل نحوه تعامل افراد با وب سایت شما صحبت خواهیم کرد و مناطق مشکل مانند نرخ پرش بالا را که می تواند در SEO شما تأثیر بگذارد ، برطرف کنید. ما مدل های زبانی را خواهیم ساخت که می توانند برای شناسایی نویسنده و حتی تولید متن استفاده شوند – تصور کنید دستگاهی نوشتن شما را برای شما انجام می دهد. HMM ها در پردازش زبان طبیعی یا NLP بسیار موفق بوده اند.
  • آنچه یاد خواهید گرفت :
  • کاربردهای مختلف مدل های مارکوف و مدل های مخفی مارکوف را بشناسید و برشمارید
  • نحوه کار مدلهای مارکوف را بفهمید
  • یک مدل مارکوف را به صورت کد بنویسید
  • مدل های Markov را برای هر توالی داده اعمال کنید
  • ریاضیات مارکوف را درک کنید
  • مدل های مارکوف را روی زبان اعمال کنید
  • مدلهای مارکوف را برای تجزیه و تحلیل وب سایت اعمال کنید
  • نحوه کار PageRank گوگل را بفهمید
  • مدل های مخفی مارکوف را درک کنید
  • یک مدل مارکوف پنهان را در کد بنویسید
  • با استفاده از Theano یک مدل مخفی مارکوف بنویسید
  • نیازمندی ها:
  • آشنایی با احتمال و آمار
  • مدل های مخلوط گاوسی را درک کنید
  • با پایتون و ناپی آشنا باشید
  • این دوره اموزشی برای چه کسانی است :
  • دانشجویان و متخصصانی که تجزیه و تحلیل داده ها ، به ویژه در مورد داده های توالی را انجام می دهند
  • حرفه ای هایی که می خواهند تجربه وب سایت خود را بهینه کنند
  • دانش آموزانی که می خواهند دانش یادگیری ماشین و مهارتهای عملی خود را تقویت کنند
  • دانشجویان و متخصصان علاقه مند به آنالیز DNA و بیان ژن
  • دانشجویان و متخصصان علاقه مند به مدل سازی زبان و تولید متن از یک مدل
 
نام: Udemy - Unsupervised Machine Learning Hidden Markov Models in Python (Updated 12/2020)
حجم فایل: 1.3 گیگابایت
شرکت سازنده: Udemy
تاریخ انتشار: 1399/10/03
کیفیت: 720p
زیرنویس: ندارد
زبان: انگلیسی
ژانر: آموزشی
مدت زمان پخش: 09 ساعت و 13 دقیقه
فرمت فایل: MP4
تاریخ تولید: 2020
رمز فایل: www.download.ir

Udemy - Unsupervised Machine Learning Hidden Markov Models in Python (Updated 12/2020)

The Hidden Markov Model or HMM is all about learning sequences.


A lot of the data that would be very useful for us to model is in sequences. Stock prices are sequences of prices. Language is a sequence of words. Credit scoring involves sequences of borrowing and repaying money, and we can use those sequences to predict whether or not you’re going to default. In short, sequences are everywhere, and being able to analyze them is an important skill in your data science toolbox.


The easiest way to appreciate the kind of information you get from a sequence is to consider what you are reading right now. If I had written the previous sentence backwards, it wouldn’t make much sense to you, even though it contained all the same words. So order is important.


While the current fad in deep learning is to use recurrent neural networks to model sequences, I want to first introduce you guys to a machine learning algorithm that has been around for several decades now - the Hidden Markov Model.


This course follows directly from my first course in Unsupervised Machine Learning for Cluster Analysis, where you learned how to measure the probability distribution of a random variable. In this course, you’ll learn to measure the probability distribution of a sequence of random variables.

لینک دانلود