کاربر عزیز ! اگر میخواهید به طور لحظه ای از بروز رسانی نرم افزار مورد نظر خود آگاه شوید و ایمیل بروز رسانی برنامه مورد نظر خود را در لحظه دریافت نمایید و فهرست برنامه های منتخب خود را در محیط کاربری خود ذخیره کنید همچنین دسترسی به تمامی برنامه های مخصوص اعضای ویژه(VIP) داشته باشید، با پرداخت ماهیانه فقط 3900 تومان از این امکان بهره مند شوید
عضویــــــت
x
X لایسنس آنتی ویروس نود 32
بستن
تعداد برنامه ها: 8069 | مشاهده و دانلود: 550684209 | آخرین بروزرسانی: - | اعضاء: 279756 | نظرات: 36628
اطلاعیه های مهم سایت
شهادت مادرمان حضرت زهراء مرضیه (سلام الله علیها) را تسلیت عرض می نماییم
سالروز شهادت سردار دلها شهید حاج قاسم سلیمانی عزیز را تسلیت عرض می کنیم

کانال سافت گذر در ایتاسافت گذر را در ایتا دنــبال کنیــد

  1. با عضویت ویژه در سافت گذر و کلیک روی آیکن قلب در زیر عنوان برنامه ها، از آخرین بروز رسانی هر نرم افزار از طریق ایمیل آگاه شوید.
  2. اکانت های بروزرسانی نود32 با قیمت های مناسب به صورت یک ، سه ، شش و دوازده ماهه از اینجا قابل خرید می باشد.
  3. محصولات ESET نسخه 9 و 10 و 11 و 12 و 13  را با سریال های ارائه شده در اینجا فعال کنید. در صورت از کارافتادن جایگزین می شود.
  4. جهت رفع مشکل باز شدن سایت به دلیل بلاک شدن توسط ESET از این روش استفاده کنید.
لایسنس نود 32

سافت گذر دانشنامه نرم افزار - دانلود رایگان نرم افزار

سرور آپدیت نود 32
یا بخت یا اقبال
نظرات کاربران
نظرات کاربران

به نظر من هنوز به کروم نرسیده ولی الان با این نسخه مطمئن شدم که فایرفاکس رو پشت سر گذاشت.ولی هنوز به کروم نرسیده.
اپرا پیشرفت خوبی داشته اما کروم هم بیکار ننشسته و در حین پیشرفت اپرا کروم داره پیشرفت میکنه.مطئنم که بعد از کروم اپرا اپرا دومین مرورگر پر سرعت امسال خواهد شد. برای اپرا خوشحالم. <...

نظرات کاربران

مرسي از لطف شما
کمک بزرگي بزرگي بهم کرديد

نظرات کاربران

سلام. آقا برا من موقه نصب همین این هشدارو میده : ---------------------------
Win64
---------------------------
Unable to execute the specified command line!
---------------------------
OK
---------------------------
قبلاً ویندوز 8.1 داشتم . و همیشه راحت ه...

نظرات کاربران

سلام من از 3 تا کیگن استفاده کردم . یکی بعد یکی. ولی کرک نمیشه . لطفا راهی برام پیدا کنید . هر کدی یا هر اسمی بنویسم نمی شه.لطفا اگه راهی هست بگید تا برنامه رو اجرا و استفاده بکنم.

نظرات کاربران

آموزش اضافه کردن دیکشنر های به برنامه:

برنامه رو باز کنید وارد بخش edit بشید
گزینه دیکشنری رو کلیک کنید
توی صفحه باز شده کلید ادد add رو بزنید و ادرس پوشه ای که دیکشنر های اونجا هستن رو بدین. همین
یاعلی

نظرات کاربران

سلام

خدا وکیلی یه سری آدم هستن که تو دشمن ساختن و بزگ کردن دشمن خیلی تبحر دارن.
آخه چطور به خودتون اجازه میدید بگید که adobe نرم افزار جاسوسیه و یک نسخه pdf رو برای سایت سازنده ارسال میکنه!!!!
با یه تست فلش مموری چطور فهمیدی که adobe فایل رو ارسال میکنه!!!
میدونی اگه A...

نظرات کاربران

دمتون گرم ، مخم با اين خروجي برنامه هاي ويرايش فيلم خراب شد و به نتيجه اي نرسيدم ولي با اين برنامه کارم را افتاد

نظرات کاربران

من تا حالا چندین نفر رو به خاطر آپدیت نود به این سایت دعوت کردم

نظرات کاربران

سلام
دیکشنری MCMILAN برای LINGOES را در سایت قرار دهید

http://www.general-files.com/download/gs3a548bd8hfi0/MacMillan%20English%20Dictionary%20-%20American.ld2.html

با سپاس

مدت زمان:

44:30:35

زبان / قیمت(تومان): انگلیسی / رایگان برای اعضای ویژه
فرمت / حجم فایل: 10/3 GB / mp4
آخرین بروزرسانی: 1399/04/21 15:03
دسته بندی:
تعداد دانلود: 3182 نظرات کاربران مشاهده نظرات (2) نظرات کاربران نظر بدهید

دانلود Udemy Machine Learning A Z Hands On Python and R In Data Science

دانلود دوره آموزش تصویری بیادگیری ماشین با موضوع A-Z Hands-On Python and R In Data Science

Udemy - Machine Learning A-Z™ Hands-On Python & R In Data Science

| این دورهٔ آموزشی ارائه شده، دوره‌ای جدید، کامل و آپدیت‌شده است |

| در پلیر موجود در این صفحه، می‌توانید ویدئوی مقدمه و آشنایی با آموزش‌های این دوره را بصورت آنلاین تماشا کنید |

توجه داشته باشید که این آموزش تصویری ارائه شده یکی از برترین، پَرامتیازترین، پرفروش‌ترین و تأثیرگذارترین آموزش‌های کمپانی Udemy است و در سایت اصلی خود یعنی یودمی، تنها با صرف هزینه زیاد قابل خریداری خواهد بود.

با استفاده از این دورهٔ آموزشی - به‌صورت فیلم‌های جداگانه - می‌توانید مهارت و تکنیک‌های برتر در زمینهٴ یادگیری ماشین با عنوان Machine Learning A-Z™ Hands-On Python & R In Data Science را با جدیدترین متدها فرا بگیرید. رویکرد این دورهٴ آموزشی تصویری، بسوی سطح پیشرفته است. فایل‌های زیرنویس انگلیسی و فایل‌های تمرینی تحت وب این دوره نیز به‌طور کامل به همراه سایر فایل‌ها قرار داده شده‌اند و از این رو، نیازی به دانلود جداگانهٴ آنها نیست.

 

تولید کننده: Udemy

سطح: مقدماتی تا پیشرفته

مدت زمان آموزش: 44:30:35

تاریخ آخرین آپدیت: 7/2020

زبان آموزش: انگلیسی

زیرنویس انگلیسی: دارد - به‌صورت کامل

فرمت فایل‌های ویدئویی: MP4

مدرسان: Kirill Eremenko, Hadelin de Ponteves, SuperDataScience Team, SuperDataScience Support

 

فهرست کامل سرفصل‌ها و عناوین آموزشی به همراه زمان دقیق آنها:

Course Content | 323 Lectures | 44:30:35
_________________________________________________

Welcome to the course! | 43:20

Applications of Machine Learning - 03:22

BONUS: Learning Paths - 00:51

BONUS #2 ML vs DL vs AI — What’s the Difference? - 00:13

BONUS #3 Regression Types - 00:12

Why Machine Learning is the Future - 06:37

Important notes, tips & tricks for this course - 02:01

This PDF resource will help you a lot! - 01:04

Updates on Udemy Reviews - 01:09

GET ALL THE CODES AND DATASETS HERE! - 01:07

Presentation of the ML A-Z folder, Colaboratory, Jupyter Notebook and Spyder - 16:48

Installing R and R Studio (Mac, Linux & Windows) - 05:40

BONUS: Meet your instructors - 00:28

Some Additional Resources - 00:10

FAQBot! - 01:29

Your Shortcut To Becoming A Better Data Scientist! - 02:05

 

-------------------- Part 1: Data Preprocessing --------------------

Welcome to Part 1 - Data Preprocessing - 00:21

 

Data Preprocessing in Python | 01:32:52

Make sure you have your Machine Learning A-Z folder ready - 00:15

Getting Started - 10:50

Importing the Libraries - 03:34

Importing the Dataset - 15:42

For Python learners, summary of Object-oriented programming: classes & objects - 01:00

Taking care of Missing Data - 12:15

Encoding Categorical Data - 14:58

Splitting the dataset into the Training set and Test set - 13:47

Feature Scaling - 20:31

 

Data Preprocessing in R | 43:15

Welcome - 00:24

Getting Started - 01:35

Make sure you have your dataset ready - 00:08

Dataset Description - 01:57

Importing the Dataset - 02:44

Taking care of Missing Data - 06:22

Encoding Categorical Data - 06:02

Splitting the dataset into the Training set and Test set - 09:34

Feature Scaling - 09:14

Data Preprocessing Template - 05:15

 

   -------------------- Part 2: Regression --------------------

Welcome to Part 2 - Regression - 00:22

 

Simple Linear Regression | 01:18:10

Simple Linear Regression Intuition - Step 1 - 05:45

Simple Linear Regression Intuition - Step 2 - 03:09

Make sure you have your Machine Learning A-Z folder ready - 00:20

Simple Linear Regression in Python - Step 1 - 12:48

Simple Linear Regression in Python - Step 2 - 07:56

Simple Linear Regression in Python - Step 3 - 04:35

Simple Linear Regression in Python - Step 4 - 12:56

Simple Linear Regression in Python - BONUS - 00:30

Simple Linear Regression in R - Step 1 - 04:40

Simple Linear Regression in R - Step 2 - 05:58

Simple Linear Regression in R - Step 3 - 03:38

Simple Linear Regression in R - Step 4 - 15:55

Simple Linear Regression - 5 questions

 

Multiple Linear Regression | 02:14:18

Dataset + Business Problem Description - 03:44

Multiple Linear Regression Intuition - Step 1 - 01:02

Multiple Linear Regression Intuition - Step 2 - 01:00

Multiple Linear Regression Intuition - Step 3 - 07:21

Multiple Linear Regression Intuition - Step 4 - 02:10

Understanding the P-Value - 11:44

Multiple Linear Regression Intuition - Step 5 - 15:41

Make sure you have your Machine Learning A-Z folder ready - 00:20

Multiple Linear Regression in Python - Step 1 - 08:30

Multiple Linear Regression in Python - Step 2 - 09:11

Multiple Linear Regression in Python - Step 3 - 10:37

Multiple Linear Regression in Python - Step 4 - 12:31

Multiple Linear Regression in Python - Backward Elimination - 01:35

Multiple Linear Regression in Python - BONUS - 00:31

Multiple Linear Regression in R - Step 1 - 07:50

Multiple Linear Regression in R - Step 2 - 10:25

Multiple Linear Regression in R - Step 3 - 04:26

Multiple Linear Regression in R - Backward Elimination - HOMEWORK ! - 17:51

Multiple Linear Regression in R - Backward Elimination - Homework Solution - 07:33

Multiple Linear Regression in R - Automatic Backward Elimination - 00:15

Multiple Linear Regression - 5 questions

 

Polynomial Regression | 01:52:19

Polynomial Regression Intuition - 05:08

Make sure you have your Machine Learning A-Z folder ready - 00:20

Polynomial Regression in Python - Step 1 - 13:30

Polynomial Regression in Python - Step 2 - 11:40

Polynomial Regression in Python - Step 3 - 12:54

Polynomial Regression in Python - Step 4 - 08:10

Polynomial Regression in R - Step 1 - 09:12

Polynomial Regression in R - Step 2 - 09:58

Polynomial Regression in R - Step 3 - 19:54

Polynomial Regression in R - Step 4 - 09:35

R Regression Template - 11:58

 

Support Vector Regression (SVR) | 01:18:43

SVR Intuition (Updated!) - 08:09

Heads-up on non-linear SVR - 03:57

Make sure you have your Machine Learning A-Z folder ready - 00:20

SVR in Python - Step 1 - 09:15

SVR in Python - Step 2 - 15:10

SVR in Python - Step 3 - 06:27

SVR in Python - Step 4 - 08:01

SVR in Python - Step 5 - 15:40

SVR in R - 11:44

 

Decision Tree Regression | 58:04

Decision Tree Regression Intuition - 11:06

Make sure you have your Machine Learning A-Z folder ready - 00:20

Decision Tree Regression in Python - Step 1 - 08:38

Decision Tree Regression in Python - Step 2 - 05:00

Decision Tree Regression in Python - Step 3 - 03:16

Decision Tree Regression in Python - Step 4 - 09:50

Decision Tree Regression in R - 19:54

 

Random Forest Regression | 38:09

Random Forest Regression Intuition - 06:44

Make sure you have your Machine Learning A-Z folder ready - 00:20

Random Forest Regression in Python - 13:23

Random Forest Regression in R - 17:42

 

Evaluating Regression Models Performance | 15:07

R-Squared Intuition - 05:11

Adjusted R-Squared Intuition - 09:56

 

Regression Model Selection in Python | 30:03

Make sure you have this Model Selection folder ready - 00:31

Preparation of the Regression Code Templates - 19:26

THE ULTIMATE DEMO OF THE POWERFUL REGRESSION CODE TEMPLATES IN ACTION! - 09:03

Conclusion of Part 2 - Regression - 01:03

 

Regression Model Selection in R | 19:13

Evaluating Regression Models Performance - Homework's Final Part - 08:54

Interpreting Linear Regression Coefficients - 09:16

Conclusion of Part 2 - Regression - 01:03

 

-------------------- Part 3: Classification --------------------

Welcome to Part 3 - Classification - 00:21

 

Logistic Regression | 02:09:51

Logistic Regression Intuition - 17:06

Make sure you have your Machine Learning A-Z folder ready - 00:20

Logistic Regression in Python - Step 1 - 09:43

Logistic Regression in Python - Step 2 - 13:38

Logistic Regression in Python - Step 3 - 07:40

Logistic Regression in Python - Step 4 - 07:49

Logistic Regression in Python - Step 5 - 06:15

Logistic Regression in Python - Step 6 - 09:26

Logistic Regression in Python - Step 7 - 16:06

Logistic Regression in R - Step 1 - 05:58

Logistic Regression in R - Step 2 - 02:58

Logistic Regression in R - Step 3 - 05:23

Logistic Regression in R - Step 4 - 02:48

Warning - Update - 00:27

Logistic Regression in R - Step 5 - 19:24

R Classification Template - 04:16

Machine Learning Regression and Classification BONUS - 00:17

Logistic Regression - 5 questions

BONUS: Logistic Regression Practical Case Study - 00:16

 

K-Nearest Neighbors (K-NN) | 40:56

K-Nearest Neighbor Intuition - 04:52

Make sure you have your Machine Learning A-Z folder ready - 00:20

K-NN in Python - 19:58

K-NN in R - 15:46

 

Support Vector Machine (SVM) | 37:10

K-Nearest Neighbor - 5 questions

SVM Intuition - 09:49

Make sure you have your Machine Learning A-Z folder ready - 00:20

SVM in Python - 14:52

SVM in R - 12:09

 

Kernel SVM | 01:08:06

Kernel SVM Intuition - 03:17

Mapping to a higher dimension - 07:50

The Kernel Trick - 12:20

Types of Kernel Functions - 03:47

Non-Linear Kernel SVR (Advanced) - 10:55

Make sure you have your Machine Learning A-Z folder ready - 00:20

Kernel SVM in Python - 13:03

Kernel SVM in R - 16:34

 

Naive Bayes | 01:19:45

Bayes Theorem - 20:25

Naive Bayes Intuition - 14:03

Naive Bayes Intuition (Challenge Reveal) - 06:04

Naive Bayes Intuition (Extras) - 09:41

Make sure you have your Machine Learning A-Z folder ready - 00:20

Naive Bayes in Python - 14:19

Naive Bayes in R - 14:53

 

Decision Tree Classification | 42:18

Decision Tree Classification Intuition - 08:08

Make sure you have your Machine Learning A-Z folder ready - 00:20

Decision Tree Classification in Python - 14:03

Decision Tree Classification in R - 19:47

 

Random Forest Classification | 38:12

Random Forest Classification Intuition - 04:28

Make sure you have your Machine Learning A-Z folder ready - 00:20

Random Forest Classification in Python - 13:28

Random Forest Classification in R - 19:56

 

Classification Model Selection in Python | 21:31

Make sure you have this Model Selection folder ready - 00:31

THE ULTIMATE DEMO OF THE POWERFUL CLASSIFICATION CODE TEMPLATES IN ACTION! - 21:00

 

Evaluating Classification Models Performance | 34:50

False Positives & False Negatives - 07:57

Confusion Matrix - 04:57

Accuracy Paradox - 02:12

CAP Curve - 11:16

CAP Curve Analysis - 06:19

Conclusion of Part 3 - Classification - 02:09

 

-------------------- Part 4: Clustering --------------------

Welcome to Part 4 - Clustering - 00:21

 

K-Means Clustering | 01:48:21

K-Means Clustering Intuition - 14:17

K-Means Random Initialization Trap - 07:48

K-Means Selecting The Number Of Clusters - 11:51

Make sure you have your Machine Learning A-Z folder ready - 00:20

K-Means Clustering in Python - Step 1 - 08:25

K-Means Clustering in Python - Step 2 - 10:36

K-Means Clustering in Python - Step 3 - 16:58

K-Means Clustering in Python - Step 4 - 06:44

K-Means Clustering in Python - Step 5 - 19:35

K-Means Clustering in R - 11:47

 

Hierarchical Clustering | 01:23:39

K-Means Clustering - 5 questions

Hierarchical Clustering Intuition - 08:47

Hierarchical Clustering How Dendrograms Work - 08:47

Hierarchical Clustering Using Dendrograms - 11:21

Make sure you have your Machine Learning A-Z folder ready - 00:20

Hierarchical Clustering in Python - Step 1 - 06:56

Hierarchical Clustering in Python - Step 2 - 17:12

Hierarchical Clustering in Python - Step 3 - 12:19

Hierarchical Clustering in R - Step 1 - 03:45

Hierarchical Clustering in R - Step 2 - 05:23

Hierarchical Clustering in R - Step 3 - 03:18

Hierarchical Clustering in R - Step 4 - 02:45

Hierarchical Clustering in R - Step 5 - 02:33

Hierarchical Clustering - 5 questions

Conclusion of Part 4 - Clustering - 00:12

 

-------------------- Part 5: Association Rule Learning --------------------

Welcome to Part 5 - Association Rule Learning - 00:11

 

Apriori | 02:10:29

Apriori Intuition - 18:13

Make sure you have your Machine Learning A-Z folder ready - 00:20

Apriori in Python - Step 1 - 08:46

Apriori in Python - Step 2 - 17:07

Apriori in Python - Step 3 - 12:48

Apriori in Python - Step 4 - 19:41

Apriori in R - Step 1 - 19:53

Apriori in R - Step 2 - 14:24

Apriori in R - Step 3 - 19:17

 

Eclat | 28:34

Eclat Intuition - 06:05

Make sure you have your Machine Learning A-Z folder ready - 00:20

Eclat in Python - 12:00

Eclat in R - 10:09

 

-------------------- Part 6: Reinforcement Learning --------------------

Welcome to Part 6 - Reinforcement Learning - 00:35

 

Upper Confidence Bound (UCB) | 02:22:44

The Multi-Armed Bandit Problem - 15:36

Upper Confidence Bound (UCB) Intuition - 14:53

Make sure you have your Machine Learning A-Z folder ready - 00:20

Upper Confidence Bound in Python - Step 1 - 12:42

Upper Confidence Bound in Python - Step 2 - 03:51

Upper Confidence Bound in Python - Step 3 - 07:16

Upper Confidence Bound in Python - Step 4 - 15:45

Upper Confidence Bound in Python - Step 5 - 06:12

Upper Confidence Bound in Python - Step 6 - 07:28

Upper Confidence Bound in Python - Step 7 - 08:09

Upper Confidence Bound in R - Step 1 - 13:39

Upper Confidence Bound in R - Step 2 - 15:58

Upper Confidence Bound in R - Step 3 - 17:37

Upper Confidence Bound in R - Step 4 - 03:18

 

Thompson Sampling | 01:30:35

Thompson Sampling Intuition - 19:12

Algorithm Comparison: UCB vs Thompson Sampling - 08:12

Make sure you have your Machine Learning A-Z folder ready - 00:20

Thompson Sampling in Python - Step 1 - 05:47

Thompson Sampling in Python - Step 2 - 12:19

Thompson Sampling in Python - Step 3 - 14:03

Thompson Sampling in Python - Step 4 - 07:45

Additional Resource for this Section - 00:28

Thompson Sampling in R - Step 1 - 19:01

Thompson Sampling in R - Step 2 - 03:27

 

-------------------- Part 7: Natural Language Processing --------------------

Welcome to Part 7 - Natural Language Processing - 01:05

NLP Intuition - 03:02

Types of Natural Language Processing - 04:11

Classical vs Deep Learning Models - 11:22

Bag-Of-Words Model - 17:05

Make sure you have your Machine Learning A-Z folder ready - 00:20

Natural Language Processing in Python - Step 1 - 07:13

Natural Language Processing in Python - Step 2 - 06:45

Natural Language Processing in Python - Step 3 - 12:54

Natural Language Processing in Python - Step 4 - 11:00

Natural Language Processing in Python - Step 5 - 17:24

Natural Language Processing in Python - Step 6 - 09:52

Natural Language Processing in Python - BONUS - 00:23

Homework Challenge - 00:43

Natural Language Processing in R - Step 1 - 16:35

Natural Language Processing in R - Step 2 - 08:39

Natural Language Processing in R - Step 3 - 06:27

Natural Language Processing in R - Step 4 - 02:57

Natural Language Processing in R - Step 5 - 02:05

Natural Language Processing in R - Step 6 - 05:49

Natural Language Processing in R - Step 7 - 03:26

Natural Language Processing in R - Step 8 - 05:20

Natural Language Processing in R - Step 9 - 12:50

Natural Language Processing in R - Step 10 - 17:31

Homework Challenge - 00:47

BONUS: NLP BERT - 00:23

 

-------------------- Part 8: Deep Learning --------------------

Welcome to Part 8 - Deep Learning - 00:23

What is Deep Learning? - 12:34

 

Artificial Neural Networks | 03:26:06

Plan of attack - 02:51

The Neuron - 16:24

The Activation Function - 08:29

How do Neural Networks work? - 12:47

How do Neural Networks learn? - 12:58

Gradient Descent - 10:12

Stochastic Gradient Descent - 08:44

Backpropagation - 05:21

Business Problem Description - 04:59

Make sure you have your Machine Learning A-Z folder ready - 00:20

ANN in Python - Step 1 - 10:21

Check out our free course on ANN for Regression - 00:11

ANN in Python - Step 2 - 18:36

ANN in Python - Step 3 - 14:28

ANN in Python - Step 4 - 11:58

ANN in Python - Step 5 - 16:25

ANN in R - Step 1 - 17:17

ANN in R - Step 2 - 06:30

ANN in R - Step 3 - 12:29

ANN in R - Step 4 (Last step) - 14:07

Deep Learning BONUS #1 - 00:24

BONUS: ANN Case Study - 00:14

 

Convolutional Neural Networks | 03:14:41

Plan of attack - 03:31

What are convolutional neural networks? - 15:49

Step 1 - Convolution Operation - 16:38

Step 1(b) - ReLU Layer - 06:41

Step 2 - Pooling - 14:13

Step 3 - Flattening - 01:52

Step 4 - Full Connection - 19:24

Summary - 04:19

Softmax & Cross-Entropy - 18:20

Make sure you have your dataset ready - 00:21

CNN in Python - Step 1 - 11:35

CNN in Python - Step 2 - 17:46

CNN in Python - Step 3 - 17:56

CNN in Python - Step 4 - 07:21

CNN in Python - Step 5 - 14:55

CNN in Python - FINAL DEMO! - 23:38

Deep Learning BONUS #2 - 00:21

 

-------------------- Part 9: Dimensionality Reduction --------------------

Welcome to Part 9 - Dimensionality Reduction - 00:33

 

Principal Component Analysis (PCA) | 01:03:43

Principal Component Analysis (PCA) Intuition - 03:49

Make sure you have your Machine Learning A-Z folder ready - 00:20

PCA in Python - Step 1 - 16:52

PCA in Python - Step 2 - 05:30

PCA in R - Step 1 - 12:08

PCA in R - Step 2 - 11:22

PCA in R - Step 3 - 13:42

 

Linear Discriminant Analysis (LDA) | 39:01

Linear Discriminant Analysis (LDA) Intuition - 03:50

Make sure you have your Machine Learning A-Z folder ready - 00:20

LDA in Python - 14:52

LDA in R - 19:59

 

Kernel PCA | 31:53

Make sure you have your Machine Learning A-Z folder ready - 00:20

Kernel PCA in Python - 11:03

Kernel PCA in R - 20:30

 

-------------------- Part 10: Model Selection & Boosting --------------------

Welcome to Part 10 - Model Selection & Boosting - 00:29

 

Model Selection | 01:13:39

Make sure you have your Machine Learning A-Z folder ready - 00:20

k-Fold Cross Validation in Python - 17:55

Grid Search in Python - 21:56

k-Fold Cross Validation in R - 19:29

Grid Search in R - 13:59

 

XGBoost | 36:34

Make sure you have your Machine Learning A-Z folder ready - 00:20

XGBoost in Python - 14:48

Model Selection and Boosting BONUS - 00:32

XGBoost in R - 18:14

THANK YOU bonus video - 02:40

 

Bonus Lectures | 01:47

YOUR SPECIAL BONUS - 01:47

پسورد فایل ها پسورد فایل ها:
دانـــلود کــنید
دانـــلود کــنید
آنتی ویروس پادویش
برنامه های مشابه
  • Udemy - The Web Developer Bootcamp 2020-11

    Udemy - The Web Developer Bootcamp 2020-11

    دوره ویدئویی آموزش کامل برنامه‌نویسی سایت و توسعه وب | از برترین، پُرطرفدارترین و پُرفروش‌ترین دوره‌های آموزشی جهان ...