پیش نیازهای یادگیری عمیق : پشته های numpy در پایتون

توضیحات

پشته های  numpy ، scipy  ، pandas ، matplotlib  :  آمادگی برای یادگیری عمیق ، یادگیری ماشین و هوش مصنوعی

 

چیزهایی که در این دوره یادخواهید گرفت  :

یادگیری کدنویسی با استفاده از پشته numpy ، scipy  ، pandas ، matplotlib  برای اجرای الگوریتم های عددی

 

در این دوره به چه دانش هایی نیاز دارید ؟

آشنایی با جبر خطی و توزیع گاوس

برنامه نویسی پایتون

شما از قبل باید بدانید که نقطه قوت یک مجصول چیست

آشنایی با معکوس ماتریس و توزیع گاوس و طریقه استفاده از آن

 

توضیحات :

این دوره شامل آموزش پیشرفته از یادگیری ماشین و پیش نیاز های آن یا پشته numpy  در پایتون   است.

یک سوال یا یک نگرانی مهم این است که اکثر مردم میخواهند علم داده ای را بصورت عمیق یادبگیرند بنابراین آنها از این دوره استفاده میکنند ولی بعضی ها عقب نشینی میکنند زیرا اطلاعات کافی در مورد پشته های numpy  ندارند .حتی اگر من در این دوره کد را بصورت کامل بنویسم اگر شما اطلاعاتی در مورد numpy  نداشته باشید خواندن آن بسیار سخت است این دوره برای حذف این مانع طراحی شده است نحوه کار با پشته numpy  که پیش نیاز یادگیری عمیق علم داده است در این دوره نشان داده میشود

Numpy  : اساس همه چیز را تشکیل می دهد .عنصر مرکزی در numpy  ،آرایه numpy  است که می توانید با استفاده از آن عملیات مختلف را انجام دهید .نکته کلیدی این است که آرایه numpy  فقط یک آرایه منظم در زبان های جاوا ، c++ نیست بلکه شبیه به یک شی ریاضی است همانند یک بردار یا یک ماتریس .این بدان معناست که شما میتوانید عملیات جمع ، تفریق وضرب بردار و ماتریس را انجام دهید .مهم ترین مزیت آرایه های numpy  سرعت بهینه آنهاست.بنابراین ما قصد داریم نسخه نمایشی را ارائه دهیم  که با استفاده ازآن ثابت کنیم که vectorized  سریع تر از یک لیست پایتون عمل می کند در ادامه نگاهی می اندازیم به ماتریس های پیچیده تر محصولات معکوس و حل سیستم های خطی

Pandas  : پانداها فوق العاده هستند زیرا هرچیزی که زندگی شما را ساده تر میکنند را تحت پوشش قرار می دهد.شما از طریق پانداها دیگر نیازی به کد نویسی ندارید .پانداها بسیار شبیه R  کار می کنند

اگر با R  آشنا هستید، عنصر مرکزی R  و پانداها ،Data Frame  هستند . در این دوره نشان می دهیم که بارگذاری یک مجموعه داده از طریق پانداها در برابر بارگذاری به صورت دستی بسیار ساده تر است .سپس به برخی از عملیات Data Frame  نگاه می کنیم .بعنوان مثال عملیات فیلتر کردن توسط ردیف و ستون ، اعمال عملیات توابع و ارتباطات بین توابع که بسیار شبیه به ارتباطات SQL  است

بنابراین اگر شما اطلاعاتی در مورد SQL  دارید و علاقه دارید که با جدول ها کار کنید ، پانداها گزینه ای خوب برای یادگیری شما هستند

از آنجا که پانداها به ما یاد دادند که چگونه داده های را بارگذار کنیم قدم بعدی نگاه کردن به داده هاست که برای یادگیری آن از Matplotlib  استفاده میکنیم

در این بخش ما بررروی برخی از موضوعات اصلی و رایج صحبت میکنیم بعنوان مثال : نمودار خطی ، طرح پراکندگی و هیستوگرام

همچنین نگاهی به چگونگی نمایش تصاویر از طریق Matplotlib  خواهیم انداخت

شما از این موضوع رایج میتوانید در 99 درصد مواقع استفاده کنید

Scipy  : من دوست دارم از Scipy بعنوان یک کتابخانه اضافی برای numpy  یاد کنم در حالی که numpy  همانند بلوک های پایه  ساختمان هستند مانند بردارها ، ماتریس ها و تمامی عملیاتی که با استفاده از آنن صورت میگیرد Scipy از این بلوک های ساختمان برای انجام کارهای خاص استفاده میکند

بعنوان مثال Scipy می تواند بسیاری از محاسبات آماری رایج را انجام دهد.از جمله دریافت مقدار pdf ، cdf  ، نمونه برداری از توزیع احتمالات و ازمون آماری .

Scipy ها دارای ابزار پردازش سیگنال هستند بنابراین میتوانند عملیاتی مانند انتقالات Fourier  و تبدیلات را انجام دهند

در مجموع اگر شما دوره  یادگیری عمیق ماشین را گرفته اید و این تئوری را یادگرفته اید و کدها را میتوانید بببینید ولی نتوانید این الگوریتم ها را به کد واقعی تبدیل کنید این دوره برای شما مناسب است.