python خانه پایتون گروه آموزشی برنامه نویسی

id 1480544932

Видео
Rec 0180.mp4 · 86.6 MB · click to show

Голосовое сообщение
606 KB · click to show

1.1K · 06:01

I

Видео
Rec 0181.mp4 · 131.8 MB · click to show

Голосовое сообщение
174 KB · click to show

295 · 09:32

D

dr asadi

میتونم کلاسهای آنلاین برگزار کنم مثلا با گوگل میت و کتاب خوبی هم هست برای یادگیری عملی مهندسی یادگیری ماشین با پایتون ویدیوها رو ببینید و اگر پیشنهادی دارید بفرمایید. با تبلیغ در کانالهای مرتبط میتونم اعضای علاقه مند جذب کنم که حضور پیدا کنند.

11:12

id 1480544932

میتونم کلاسهای آنلاین برگزار کنم مثلا با گوگل میت و کتاب خوبی هم هست برای یادگیری عملی مهندسی یادگیری ماشین با پایتون ویدیوها رو ببینید و اگر پیشنهادی دارید بفرمایید. با تبلیغ در کانالهای مرتبط میتونم اعضای علاقه مند جذب کنم که حضور پیدا کنند.

246 · 11:59

Видео
Rec 0182.mp4 · 64.1 MB · click to show

242 · 13:01

I

Видео
Rec 0183.mp4 · 126.2 MB · click to show

Голосовое сообщение
139 KB · click to show

235 · 14:52

I

id 229237834

id 1480544932Голосовое сообщение

خیلی ارزشمنده خسته نباشین🙏🏼

15:02

م

مهدی معنوی

id 1480544932Голосовое сообщение

درود بر شما سپاسگزارم 🙏🙏🙏

15:57

I

id 1480544932

Видео
Rec 0184.mp4 · 82.2 MB · click to show

213 · 16:36

id 1480544932

🎓 چرا از یادگیری ماشین استفاده می‌کنیم؟ در این ویدئو، با استفاده از مثال طراحی یک فیلتر تشخیص ایمیل‌های هرزنامه توضیح می‌دهم که تفاوت برنامه‌نویسی سنتی با یادگیری ماشین چیست. در روش سنتی، برنامه‌نویس باید برای تشخیص هرزنامه‌ها تعداد زیادی قانون دستی بنویسد؛ قوانینی مثل بررسی کلمات «رایگان»، «کارت اعتباری»، تعداد لینک‌ها یا علامت‌های تعجب. اما با تغییر روش‌های ارسال‌کنندگان هرزنامه، این قوانین به‌سرعت پیچیده و نگهداری آن‌ها دشوار می‌شود. در مقابل، الگوریتم یادگیری ماشین با بررسی نمونه‌های ایمیل سالم و هرزنامه، الگوهای مؤثر را از داده‌ها یاد می‌گیرد و می‌تواند ایمیل‌های جدید را با دقت بیشتری طبقه‌بندی کند. در این آموزش با مفاهیم زیر آشنا می‌شوید: ✅ تفاوت برنامه‌نویسی سنتی و یادگیری ماشین ✅ مفهوم Spam و Ham ✅ داده‌های برچسب‌خورده ✅ ویژگی یا Feature ✅ خطاهای False Positive و False Negative ✅ دلیل استفاده از یادگیری ماشین در مسائل پیچیده و متغیر این آموزش بخشی از تدریس کتاب: Hands-On Machine Learning with Scikit-Learn and PyTorch است. 👨‍🏫 مدرس: دکتر اسدی عضو هیئت علمی گروه مهندسی کامپیوتر دانشگاه 💬 گروه تلگرام: @python765 📢 کانال آموزشی: @python654 #یادگیری_ماشین #هوش_مصنوعی #پایتون #علم_داده #برنامه_نویسی #MachineLearning #Python #ArtificialIntelligence #DataScience #آموزش_هوش_مصنوعی

190 · 04:36

Видео
Rec 0185.mp4 · 49.3 MB · click to show

166 · 04:41

🎓 آشنایی با انواع سیستم‌های یادگیری ماشین در این ویدئو، بخش Types of Machine Learning Systems از کتاب ارزشمند Hands-On Machine Learning نوشته Aurélien Géron را بررسی و تدریس کرده‌ام. در این جلسه یاد می‌گیریم که سیستم‌های یادگیری ماشین براساس چه معیارهایی طبقه‌بندی می‌شوند و تفاوت مفاهیم زیر چیست: 🔹 یادگیری نظارت‌شده، بدون نظارت، نیمه‌نظارت‌شده و خودنظارتی 🔹 یادگیری آنلاین در برابر یادگیری دسته‌ای 🔹 یادگیری مبتنی بر نمونه در برابر یادگیری مبتنی بر مدل 🔹 مفهوم نظارت در فرایند آموزش 🔹 مجموعه آموزشی، برچسب و پاسخ مطلوب 🔹 کاربرد فیلترهای اسپم و شبکه‌های عصبی عمیق به‌عنوان یک مثال واقعی در کنار ترجمه دقیق متن کتاب، تلفظ اصطلاحات تخصصی، معنی واژگان دشوار و مثال‌های کاربردی نیز توضیح داده شده است تا مطالب به‌صورت عمیق‌تر و قابل‌فهم‌تر یاد گرفته شوند. این ویدئو بخشی از مجموعه آموزش گام‌به‌گام یادگیری ماشین، علم داده و مهندسی هوش مصنوعی با زبان پایتون است. 📚 منبع آموزشی: Hands-On Machine Learning with Scikit-Learn and PyTorch نویسنده: Aurélien Géron #یادگیری_ماشین #هوش_مصنوعی #پایتون #علم_داده #مهندسی_هوش_مصنوعی #MachineLearning #ArtificialIntelligence #Python #DataScience #DeepLearning #SupervisedLearning #آموزش_برنامه_نویسی

187 · 06:09

Видео
Rec 0186.mp4 · 76.2 MB · click to show

179 · 06:13

📘 تدریس صفحات ۴۹ و ۵۰ فایل PDF کتاب Hands-On Machine Learning with Scikit-Learn and PyTorch در این بخش از کتاب، با دو رویکرد مهم در یادگیری ماشین آشنا می‌شویم: 🔹 Instance-Based Learning یا «یادگیری مبتنی بر نمونه» در این روش، سیستم نمونه‌های آموزشی را نگه می‌دارد و برای طبقه‌بندی یک داده جدید، آن را با نمونه‌های مشابه قبلی مقایسه می‌کند. مثال فیلتر تشخیص ایمیل‌های هرزنامه و الگوریتم K-Nearest Neighbors یا KNN نیز در همین قسمت توضیح داده شده است. 🔹 Model-Based Learning یا «یادگیری مبتنی بر مدل» در این رویکرد، الگوریتم به‌جای مقایسه مستقیم نمونه جدید با تمام داده‌های گذشته، یک مدل یا الگوی کلی از داده‌ها می‌آموزد و سپس با استفاده از آن پیش‌بینی انجام می‌دهد. در این ویدئو، علاوه بر ترجمه کامل متن، درباره مفاهیمی مانند معیار شباهت، ویژگی‌ها، نمونه‌های آموزشی، طبقه‌بندی، تعمیم، نزدیک‌ترین همسایه‌ها، مرز تصمیم، داده‌های پُربُعد و تفاوت یادگیری مبتنی بر نمونه و یادگیری مبتنی بر مدل توضیح داده‌ام. نمودارهای صفحات نیز با جزئیات تحلیل شده‌اند تا نحوه تصمیم‌گیری الگوریتم‌ها کاملاً روشن شود. 📚 این آموزش بخشی از تدریس گام‌به‌گام کتاب Hands-On Machine Learning with Scikit-Learn and PyTorch است. #یادگیری_ماشین #هوش_مصنوعی #پایتون #علم_داده #MachineLearning #ArtificialIntelligence #KNN #InstanceBasedLearning #ModelBasedLearning #DataScience #Python

205 · 08:07

Видео
Rec 0187.mp4 · 79.8 MB · click to show

202 · 08:30

Видео
Rec 0189.mp4 · 105.3 MB · click to show

185 · 12:24

آموزش عملی یادگیری ماشین با Python و Scikit-Learn | فصل اول کتاب Hands-On Machine Learning (2026) در این قسمت با اولین گام‌های یادگیری ماشین آشنا می‌شویم و مفهوم مدل خطی (Linear Model)، رگرسیون خطی (Linear Regression) و نحوه پیدا کردن بهترین خط برای پیش‌بینی را بررسی می‌کنیم. در این ویدئو یاد می‌گیریم: 🔹 چگونه داده‌ها به شکل ویژگی‌ها (Features) و مقدار هدف (Target) در اختیار مدل قرار می‌گیرند. 🔹 مفهوم پارامترهای مدل یعنی θ₀ (Intercept) و θ₁ (Slope) و نقش آن‌ها در ساخت معادله خط. 🔹 مفهوم Cost Function (تابع هزینه) و اینکه چگونه مدل تلاش می‌کند خطای پیش‌بینی را کمینه کند. 🔹 تفاوت بین مرحله Training (آموزش مدل) و Prediction (پیش‌بینی). 🔹 اینکه متد مهم fit() در کتابخانه Scikit-Learn در پشت صحنه چگونه پارامترهای مدل را یاد می‌گیرد. 🔹 اینکه الگوریتم چگونه از داده‌های آموزشی به یک مدل قابل استفاده برای داده‌های جدید می‌رسد.

191 · 16:33

I

Видео
Rec 0190.mp4 · 151.3 MB · click to show

آموزش عملی یادگیری ماشین با Python و Scikit-Learn | فصل اول کتاب Hands-On Machine Learning (2026) در این قسمت با اولین گام‌های یادگیری ماشین آشنا می‌شویم و مفهوم مدل خطی (Linear Model)، رگرسیون خطی (Linear Regression) و نحوه پیدا کردن بهترین خط برای پیش‌بینی را بررسی می‌کنیم. در این ویدئو یاد می‌گیریم: 🔹 چگونه داده‌ها به شکل ویژگی‌ها (Features) و مقدار هدف (Target) در اختیار مدل قرار می‌گیرند. 🔹 مفهوم پارامترهای مدل یعنی θ₀ (Intercept) و θ₁ (Slope) و نقش آن‌ها در ساخت معادله خط. 🔹 مفهوم Cost Function (تابع هزینه) و اینکه چگونه مدل تلاش می‌کند خطای پیش‌بینی را کمینه کند. 🔹 تفاوت بین مرحله Training (آموزش مدل) و Prediction (پیش‌بینی). 🔹 اینکه متد مهم fit() در کتابخانه Scikit-Learn در پشت صحنه چگونه پارامترهای مدل را یاد می‌گیرد. 🔹 اینکه الگوریتم چگونه از داده‌های آموزشی به یک مدل قابل استفاده برای داده‌های جدید می‌رسد.

181 · 16:47

I

id 1480544932

در این جلسه از کتاب Hands-On Machine Learning with Scikit-Learn and PyTorch، چاپ ۲۰۲۶، از بخش Training Supervision در انتهای صفحه ۳۴ فایل PDF تا پیش از ورود به مبحث Unsupervised Learning در صفحه ۳۶ را بررسی کردیم. در این ویدئو با مفهوم یادگیری نظارت‌شده یا Supervised Learning آشنا می‌شویم و یاد می‌گیریم که داده‌های آموزشی چگونه همراه با پاسخ صحیح یا Label در اختیار الگوریتم قرار می‌گیرند. سپس دو مسئله اصلی یادگیری نظارت‌شده، یعنی Classification و Regression، با مثال‌های فیلتر ایمیل‌های اسپم و پیش‌بینی قیمت خودرو توضیح داده می‌شوند. همچنین مفاهیم مهمی مانند Training Set، Instance، Feature، Target، Label، Predictor، Attribute، Logistic Regression، Probability، Generalization و Overfitting را بررسی می‌کنیم و شکل‌های مربوط به طبقه‌بندی ایمیل‌های اسپم و پیش‌بینی مقدار عددی در رگرسیون را به‌صورت دقیق تحلیل می‌کنیم. در پایان نیز تفاوت طبقه‌بندی و رگرسیون، نحوه نمایش داده‌ها با و ، مفهوم ویژگی و مقدار ویژگی، و دلیل استفاده از Logistic Regression در مسائل طبقه‌بندی توضیح داده می‌شود. #یادگیری_ماشین #هوش_مصنوعی #پایتون #MachineLearning #SupervisedLearning #Classification #Regression #LogisticRegression #ScikitLearn #PyTorch #DataScience #آموزش_هوش_مصنوعی #مهندسی_هوش_مصنوعی

166 · 06:34

E

🔮 کدهای معجزه برای جذب هر چیزی که می‌خواهی 🕯️ شمع‌تراپی حرفه‌ای برای آرامش و انرژی مثبت 🍃 فنگ شویی عملی برای چیدمان پربرکت خونه‌ات هر روز یک تکنیک جدید و کاربردی منتظرته ⏳ لینک کانال👇👇👇👇👇👇👇👇👇👇👇👇 @FengAndFlame @FengAndFlame @FengAndFlame @FengAndFlame

06:48

id 1480544932

Видео
Rec 0191.mp4 · 134.2 MB · click to show

در این جلسه از کتاب Hands-On Machine Learning with Scikit-Learn and PyTorch، چاپ ۲۰۲۶، از بخش Training Supervision در انتهای صفحه ۳۴ فایل PDF تا پیش از ورود به مبحث Unsupervised Learning در صفحه ۳۶ را بررسی کردیم. در این ویدئو با مفهوم یادگیری نظارت‌شده یا Supervised Learning آشنا می‌شویم و یاد می‌گیریم که داده‌های آموزشی چگونه همراه با پاسخ صحیح یا Label در اختیار الگوریتم قرار می‌گیرند. سپس دو مسئله اصلی یادگیری نظارت‌شده، یعنی Classification و Regression، با مثال‌های فیلتر ایمیل‌های اسپم و پیش‌بینی قیمت خودرو توضیح داده می‌شوند. همچنین مفاهیم مهمی مانند Training Set، Instance، Feature، Target، Label، Predictor، Attribute، Logistic Regression، Probability، Generalization و Overfitting را بررسی می‌کنیم و شکل‌های مربوط به طبقه‌بندی ایمیل‌های اسپم و پیش‌بینی مقدار عددی در رگرسیون را به‌صورت دقیق تحلیل می‌کنیم. در پایان نیز تفاوت طبقه‌بندی و رگرسیون، نحوه نمایش داده‌ها با و ، مفهوم ویژگی و مقدار ویژگی، و دلیل استفاده از Logistic Regression در مسائل طبقه‌بندی توضیح داده می‌شود. #یادگیری_ماشین #هوش_مصنوعی #پای

169 · 06:50

I

import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.compose import ColumnTransformer from sklearn.preprocessing import OneHotEncoder, StandardScaler from sklearn.pipeline import Pipeline from sklearn.linear_model import LinearRegression from sklearn.metrics import ( mean_absolute_error, mean_squared_error, r2_score, )

144 · 10:44