Machine Learning & Deep Learning in Python
Covers Regression,
Decision Trees, SVM, Neural Networks, CNN, Time Series Forecasting, and more
using both Python
Description:
آپ کو ایک مکمل مشین لرننگ اور ڈیپ لرننگ کورس کی تلاش ہے جو آپ کو ڈیٹا سائنس اینڈ مشین لرننگ کے میدان میں ترقی یافتہ کیریئر کے آغاز میں مدد فراہم کرسکے ، ٹھیک ہے؟
آپ کو مشین کا سیکھنے کا صحیح نصاب مل گیا ہے۔
اس کورس کو مکمل کرنے کے بعد ، آپ یہ کر سکیں گے:
business کاروباری مسائل کو حل کرنے اور کاروباری حکمت عملی تیار کرنے کے لئے اعتماد سے مشین لرننگ اور ڈیپ لرننگ ماڈل کی پیش گوئی کریں
· جواب مشین سیکھنے سے متعلق انٹرویو کے سوالات
online آن لائن ڈیٹا تجزیاتی مقابلوں جیسے کاگل مقابلے میں حصہ لیں اور اس میں پرفارم کریں
مشین لرننگ اور ڈیپ لرننگ ماڈل کے آپ کیا سیکھ رہے ہیں یہ جاننے کے لئے نیچے دیئے گئے مندرجات کی جدول کو چیک کریں۔
یہ کورس آپ کی مدد کیسے کرے گا؟
تکمیل کا ایک تصدیق نامہ ان تمام طلبا کو پیش کیا گیا ہے جنہوں نے یہ مشین سیکھنے کے بنیادی اصولوں کا کورس شروع کیا ہے۔
اگر آپ بزنس منیجر یا ایک ایگزیکٹو ، یا طالب علم ہیں جو کاروبار کی حقیقی دنیا کی پریشانیوں میں مشین لرننگ سیکھنا اور اس کا اطلاق کرنا چاہتے ہیں تو ، یہ کورس آپ کو مشین لرننگ کی سب سے مشہور تکنیک کی تعلیم دے کر اس کے ل a ٹھوس بنیاد فراہم کرے گا۔
آپ کو اس کورس کا انتخاب کیوں کرنا چاہئے؟
یہ کورس ان تمام اقدامات کا احاطہ کرتا ہے جو لکیری رجعت کے ذریعہ کاروباری مسئلے کو حل کرتے ہوئے اٹھائے جانے چاہ.۔
زیادہ تر کورسز صرف اس بات پر توجہ مرکوز کرتے ہیں کہ تجزیہ کو کس طرح چلایا جائے لیکن ہم سمجھتے ہیں کہ تجزیہ چلانے سے پہلے اور اس کے بعد جو ہوتا ہے وہ اس سے بھی زیادہ اہم ہے یعنی تجزیہ چلانے سے پہلے یہ بہت ضروری ہے کہ آپ کے پاس صحیح اعداد و شمار موجود ہوں اور اس پر کچھ پہلے سے پروسیسنگ کی جائے۔ اور تجزیہ چلانے کے بعد ، آپ کو یہ فیصلہ کرنے کے اہل ہونا چاہئے کہ آپ کا ماڈل کتنا اچھا ہے اور نتائج کی ترجمانی کرتا ہے تاکہ آپ اپنے کاروبار میں مدد کرسکیں۔
فہرست کا خانہ
• سیکشن 1 ازگر بنیادی اس حصے میں آپ کو ازگر کے ساتھ آغاز ہوتا ہے۔ یہ سیکشن آپ کو اپنے سسٹم میں ازگر اور مشتری ماحول قائم کرنے میں مدد فراہم کرے گا اور یہ آپ کو یہ بتائے گا کہ ازگر میں کچھ بنیادی کام انجام دینے کا طریقہ ہے۔ ہم مختلف لائبریریوں جیسے نمپی ، پانڈاس اور سیبرورن کی اہمیت کو سمجھیں گے۔
• سیکشن 2 - R بنیادی یہ سیکشن آپ کو اپنے سسٹم پر آر اینڈ آر اسٹوڈیو قائم کرنے میں مدد فراہم کرے گا اور یہ آپ کو سکھائے گا کہ آر میں کچھ بنیادی کام انجام دینے کا طریقہ
• سیکشن 3 - اعدادوشمار کی بنیادی باتیں اس حصے کو اعداد و شمار کی اقسام کے مقابلے میں اعداد و شمار کی قسموں سے شروع ہونے والے پانچ مختلف لیکچروں میں تقسیم کیا گیا ہے پھر اعداد و شمار کی وضاحت کرنے کے لئے گرافیکل نمائندگی اور پھر ایک وسط وسطی اور موڈ جیسے مرکز کے اقدامات پر لیکچر اور آخر میں منتشر کے اقدامات جیسے حد اور معیاری انحراف
• سیکشن 4 - مشین لرننگ کا تعارف اس سیکشن میں ، ہم سیکھیں گے - مشین لرننگ کا کیا مطلب ہے۔ مشین سیکھنے سے وابستہ معنی یا مختلف شرائط کیا ہیں؟ آپ کو کچھ مثالیں نظر آئیں گی تاکہ آپ سمجھ جائیں کہ مشین لرننگ اصل میں کیا ہے۔ اس میں مشین لرننگ ماڈل بنانے میں بھی شامل اقدامات شامل ہیں ، نہ صرف لکیری ماڈل ، کوئی مشین لرننگ ماڈل۔
• سیکشن 5 - اعداد و شمار کو آگے بڑھانا اس حصے میں آپ سیکھیں گے کہ اعداد و شمار کے حصول کے ل get آپ کو قدم بہ قدم کون سے اقدامات کرنے کی ضرورت ہے اور پھر تجزیہ کے ل for اس کو تیار کریں یہ اقدامات بہت اہم ہیں۔ ہم کاروباری علم کی اہمیت کو سمجھنے کے ساتھ شروع کرتے ہیں پھر ہم دیکھیں گے کہ ڈیٹا ایکسپلوریشن کیسے کریں۔ ہم یونٹ متغیر تجزیہ اور دوئبائٹیٹ تجزیہ کرنے کا طریقہ سیکھتے ہیں اس کے بعد ہم آؤٹ لیٹر ٹریٹمنٹ ، گمشدہ قدر کی قیمت ، متغیر تبدیلی ، اور ارتباط جیسے موضوعات کا احاطہ کرتے ہیں۔
• سیکشن 6 - ریگریشن ماڈل یہ سیکشن سادہ لکیری رجعت سے شروع ہوتا ہے اور پھر ایک سے زیادہ لکیری رجعت کا احاطہ کرتا ہے۔ ہم نے ہر تصور کے پیچھے بنیادی نظریہ کا احاطہ کیا ہے کہ اس کے بارے میں زیادہ ریاضی کی بات نہیں کی جاتی ہے تاکہ آپ کو سمجھ آجائے کہ یہ تصور کہاں سے آرہا ہے اور یہ کس طرح اہم ہے۔ لیکن یہاں تک کہ اگر آپ اسے نہیں سمجھتے ہیں ، تب تک یہ ٹھیک ہوگا جب تک آپ عملی لیکچر میں پڑھائے گئے نتائج کو چلانے اور اس کی ترجمانی کرنے کا طریقہ سیکھ لیں گے۔
ہم یہ بھی دیکھتے ہیں کہ ماڈل کی درستگی کو کس طرح ماننا ہے ، ایف شماریات کا کیا معنی ہے ، نتائج میں آزاد متغیر ڈیٹاسیٹ میں واضح متغیرات کی ترجمانی کیسے کی جاتی ہے ، عام کم سے کم مربع طریقہ سے دیگر تغیرات کیا ہیں اور آخر ہم اس کی تشریح کیسے کرتے ہیں؟ کاروباری مسئلے کا جواب تلاش کرنے کا نتیجہ۔
• سیکشن 7 - درجہ بندی کے نمونے یہ حصہ لاجسٹک رجعت سے شروع ہوتا ہے اور اس کے بعد لکیری امتیازی تجزیہ اور کے قریب پڑوسیوں کا احاطہ کرتا ہے۔ ہم نے ہر تصور کے پیچھے بنیادی نظریہ کا احاطہ کیا ہے کہ اس کے بارے میں زیادہ ریاضی کے بغیر کہ آپ
سمجھیں کہ یہ تصور کہاں سے آرہا ہے اور یہ کس طرح اہم ہے۔ لیکن یہاں تک کہ اگر آپ نہیں سمجھتے ہیں
یہ ، جب تک آپ عملی لیکچرز میں سکھائے گئے نتائج کو چلانے اور اس کی ترجمانی کرنے کا طریقہ سیکھیں گے تب تک یہ ٹھیک ہوگا۔
ہم یہ بھی دیکھتے ہیں کہ کس طرح کنفیوژن میٹرکس کا استعمال کرتے ہوئے ماڈل کی کارکردگی کو ماننا ہے ، آزاد متغیرات میں کتنے واضح متغیرات ، ڈیٹاسیٹ کو نتائج میں تعبیر کیا جاتا ہے ، ٹیسٹ ٹرین تقسیم اور ہم آخر کس طرح اس کا جواب تلاش کرنے کے لئے نتائج کی ترجمانی کرتے ہیں۔ کاروباری مسئلہ
• سیکشن 8 - اس حصے میں درختوں کا فیصلہ کریں ، ہم فیصلہ کے درخت کے بنیادی نظریہ سے شروع کریں گے تب ہم رجعت کے فیصلے کے ایک آسان درخت کو تشکیل دیں گے اور منصوبہ بناؤ گے۔ اس کے بعد ہم رجعت پسندی کے فیصلے کے درخت کو اپنے درجہ بندی درختوں تک بڑھا دیں گے ، ہم یہ بھی سیکھیں گے کہ ازگر اور آر میں درجہ بندی کا درخت کیسے بنائیں۔
• سیکشن 9۔ جوڑنے کی تکنیک
اس حصے میں ، ہم فیصلے کے درختوں کے ل advanced جدید تراکیب تراکیب کے بارے میں اپنی گفتگو کا آغاز کریں گے۔ مشین سیکھنے الگورتھم کی استحکام اور درستگی کو بہتر بنانے کے لئے اینسمبلز کی تکنیک کا استعمال کیا جاتا ہے۔ ہم رینڈم فارسٹ ، بیگنگ ، گریڈیئنٹ بوسٹنگ ، اڈا بوسٹ اور بوسٹ کے بارے میں بات کریں گے۔
• سیکشن 10 - سپورٹ ویکٹر مشینیں
ایس وی ایم کے منفرد ماڈل ہیں اور ان کے تصور کے لحاظ سے کھڑے ہوتے ہیں۔ اس حصے میں ، ہم سپورٹ ویکٹر کی درجہ بندی اور سپورٹ ویکٹر مشینوں کے بارے میں بات کریں گے۔
• سیکشن 11 - اے این این کے نظریاتی تصورات یہ حصہ آپ کو نیورل نیٹ ورکس میں شامل تصورات کی ٹھوس تفہیم فراہم کرے گا۔ اس حصے میں آپ کو ایک خلیوں یا پرسیپٹرن کے بارے میں اور ایک نیٹ ورک کے فن تعمیر کو بنانے کے لئے کس طرح پرسیپٹرن کو اسٹیک کیا جاتا ہے کے بارے میں معلومات حاصل ہوں گی۔ فن تعمیر کے مرتب ہونے کے بعد ، ہم کسی فنکشن کا منیما تلاش کرنے کے لئے گریڈیئنٹ نزول الگورتھم کو سمجھتے ہیں اور یہ سیکھتے ہیں کہ یہ ہمارے نیٹ ورک کے ماڈل کو بہتر بنانے کے لئے کس طرح استعمال ہوتا ہے۔
• سیکشن 12 - ازگر میں اے این این ماڈل بنانا اور اس حصے میں آپ سیکھ لیں گے کہ ازگر میں اے این این ماڈل کیسے بنائیں گے اور آر۔ ہم اس سیکشن کا آغاز سیکنویشنل API کے ذریعہ درجہ بندی کے مسئلے کو حل کرنے کے لئے اے این این ماڈل بنا کر کریں گے۔ ہم نیٹ ورک فن تعمیر کی وضاحت ، ماڈل کو تشکیل دینے اور ماڈل کی تربیت کرنے کا طریقہ سیکھتے ہیں۔ پھر ہم اپنے تربیت یافتہ ماڈل کی کارکردگی کا جائزہ لیتے ہیں اور نئے اعداد و شمار پر پیش گوئی کرنے کیلئے اس کا استعمال کرتے ہیں۔ آخر میں ، ہم ماڈل کو بچانے اور بحال کرنے کا طریقہ سیکھتے ہیں۔
ہم اس حصے میں لائبریریوں جیسے کیرا اور ٹینسرفلو کی اہمیت کو بھی سمجھتے ہیں۔
• دفعہ 13 - سی این این نظریاتی تصورات اس حصے میں آپ مجاز اور پولنگ پرتوں کے بارے میں سیکھیں گے جو سی این این ماڈلز کی بنیادی رکاوٹیں ہیں۔ اس حصے میں ، ہم اختتامی پرت ، سلائڈ ، فلٹرز اور خصوصیت کے نقشوں کے بنیادی نظریہ سے شروع کریں گے۔ ہم یہ بھی وضاحت کرتے ہیں کہ سرمئی پیمانے کی تصاویر رنگین امیجوں سے کس طرح مختلف ہیں۔ آخر میں ، ہم پولنگ پرت پر تبادلہ خیال کرتے ہیں جو ہمارے ماڈل میں کمپیوٹیشنل کارکردگی لاتی ہے۔
• دفعہ 14 - ازگر اور R میں CNN ماڈل بنانا
اس حصے میں آپ یہ جان لیں گے کہ ازگر میں سی این این ماڈل کیسے بنائیں گے اور فیشن اسی طرح کی اشیاء کو پہچاننے کا ایک ہی مسئلہ لیں گے اور اس پر سی این این ماڈل لاگو کریں گے۔ ہم اپنے CNN ماڈل کی کارکردگی کو اپنے اے این این ماڈل کے ساتھ موازنہ کریں گے اور محسوس کریں گے کہ جب ہم CNN کا استعمال کرتے ہیں تو درستگی 9-10٪ تک بڑھ جاتی ہے۔ تاہم ، یہ اس کا خاتمہ نہیں ہے۔ ہم کچھ مخصوص تکنیکوں کا استعمال کرکے درستگی کو مزید بہتر بنا سکتے ہیں جن کو ہم اگلے حصے میں تلاش کرتے ہیں۔
• سیکشن 15 - ازگر اور آر میں آخر سے آخر تک تصویری شناخت کی منصوبہ
اس حصے میں ہم رنگین امیجوں پر ایک مکمل تصویری شناخت کا منصوبہ بناتے ہیں۔ ہم ایک کاگل تصویر تصویری شناختی مقابلہ لیتے ہیں اور اسے حل کرنے کے لئے سی این این ماڈل بناتے ہیں۔ ایک عام ماڈل کی مدد سے ہم ٹیسٹ سیٹ پر تقریبا 70 فیصد درستگی حاصل کرتے ہیں۔ اس کے بعد ہم ڈیٹا اګومینٹیشن اور ٹرانسفر لرننگ جیسے تصورات سیکھتے ہیں جو درستگی کی سطح کو 70 from سے لے کر تقریبا 97 97 to تک بہتر بنانے میں ہماری مدد کرتے ہیں (اس مقابلے کے فاتحوں کی طرح اچھ asے)۔
• سیکشن 16 - ٹائم سیریز سے قبل پروسیسنگ ڈیٹا اس سیکشن میں ، آپ سیکھیں گے کہ ٹائم سیریز کو تصور کرنا ، فیچر انجینئرنگ کو انجام دینا ، ڈیٹا کا ازسر نو نمونہ انجام دینا ، اور ماڈلز کے اعداد و شمار کا تجزیہ کرنے اور اسے تیار کرنے کے لئے مختلف دیگر ٹولز۔
• سیکشن 17 - ٹائم سیریز کی پیشن گوئی اس سیکشن میں ، آپ ٹائم سیریز کے عام ماڈلز سیکھیں گے جیسے آٹو ریگریشن (اے آر) ، موویننگ ایوریج (ایم اے) ، آر ایم اے ، اریما ، سریما اور سریمیکس۔
اس کورس کے اختتام تک ، ازگر اور آر میں مشین لرننگ یا ڈیپ لرننگ ماڈل بنانے پر آپ کا اعتماد اور بڑھ جائے گا۔ پیش گوئی کرنے والے ماڈلز بنانے اور حقیقی دنیا کے کاروباری مسائل حل کرنے کیلئے ایم ایل / ڈی ایل ماڈلز کا استعمال کس طرح کریں اس کے بارے میں آپ کو پوری طرح سمجھ پڑے گی۔
ذیل میں طلباء کی مشہور عمومی سوالنامہ کی ایک فہرست ہے جو مشین سیکھنے کا سفر شروع کرنا چاہت
مشین لرننگ کیا ہے؟مشین لرننگ کمپیوٹر سائنس کا ایک ایسا شعبہ ہے جو کمپیوٹر کو بغیر کسی پروگرام کے سیکھنے کی صلاحیت فراہم کرتا ہے۔ یہ اس خیال پر مبنی مصنوعی ذہانت کی ایک شاخ ہے کہ نظام اعداد و شمار سے سبق سیکھ سکتا ہے ، نمونوں کی شناخت کرسکتا ہے اور کم سے کم انسانی مداخلت سے فیصلے کرسکتا ہے۔مشین لرننگ کے لئے ازگر کیوں استعمال کریں؟مشین لرننگ میں کیریئر کے لئے درکار ازتھن کو سمجھنا ایک قابل قدر مہارت ہے۔اگرچہ یہ ہمیشہ نہیں ہوتا ہے ، لیکن ازگر ڈیٹا سائنس کے لئے انتخاب کی پروگرامنگ زبان ہے۔ ایک مختصر تاریخ یہ ہے:2016 میں ، اس نے ڈیٹا سائنس مقابلوں کا سب سے بڑا پلیٹ فارم ، کاگل پر آر کو پیچھے چھوڑ دیا۔2017 میں ، اس نے نوگیٹس کے ’ڈیٹا سائنسدانوں کے سالانہ سروے‘ سب سے زیادہ استعمال ہونے والے ٹولوں کو پیچھے چھوڑ دیا۔ Created by Xavors Technology
Last updated 2/2021
English [Auto]
Size:
13.12 GB
