Machine Learning
Sıfırdan başlayaraq ML mühəndisi olun. 6 modul, 48 dərs — riyaziyyat, data analizi, klassik ML alqoritmləri, dərin öyrənmə.
Texnologiyalar
ML Flow
Pandas
Scikit-Learn
Google Data Flow
PyTorch
TensorFlowKursa qoşul
300 ₼/ay
6 modul
48 dərs
2 tələbə
Aktiv qeydiyyat
300 ₼/ay
Kurs qiyməti
Proqram
6 modul · 48 dərs · 0 tapşırıq
00Modul 0 — Python və Riyaziyyata Giriş
ML üçün lazım olan Python əsasları, NumPy, xətti cəbir, ehtimal və statistika.
8 dərs
Modul 0 — Python və Riyaziyyata Giriş
ML üçün lazım olan Python əsasları, NumPy, xətti cəbir, ehtimal və statistika.
0.0Python-a qısa baxış (ML kontekstində)
Nəzəri + Praktiki
0 tapşırıq
Python-a qısa baxış (ML kontekstində)
Nəzəri + Praktiki
0.1NumPy ilə vektor və matris əməliyyatları
Praktiki
0 tapşırıq
NumPy ilə vektor və matris əməliyyatları
Praktiki
0.2Xətti cəbir əsasları: dot product, inversiya
Nəzəri + Praktiki
0 tapşırıq
Xətti cəbir əsasları: dot product, inversiya
Nəzəri + Praktiki
0.3Ehtimal nəzəriyyəsi: P(A), şərti ehtimal, Bayes
Nəzəri
0 tapşırıq
Ehtimal nəzəriyyəsi: P(A), şərti ehtimal, Bayes
Nəzəri
0.4Statistikaya giriş: orta, dispersiya, std
Nəzəri + Praktiki
0 tapşırıq
Statistikaya giriş: orta, dispersiya, std
Nəzəri + Praktiki
0.5Pandas ilə məlumata ilk baxış
Praktiki
0 tapşırıq
Pandas ilə məlumata ilk baxış
Praktiki
0.6Jupyter Notebook iş axını
Praktiki
0 tapşırıq
Jupyter Notebook iş axını
Praktiki
0.7ML layihə strukturu və ən yaxşı praktikalar
Nəzəri
0 tapşırıq
ML layihə strukturu və ən yaxşı praktikalar
Nəzəri
01Modul 1 — Məlumat Analizi
Pandas ilə EDA, çatışmayan dəyərlər, feature engineering, normallaşdırma, pipeline.
8 dərs
Modul 1 — Məlumat Analizi
Pandas ilə EDA, çatışmayan dəyərlər, feature engineering, normallaşdırma, pipeline.
1.0CSV, Excel, JSON məlumatlarını yükləmə
Praktiki
0 tapşırıq
CSV, Excel, JSON məlumatlarını yükləmə
Praktiki
1.1EDA: describe, info, value_counts
Praktiki
0 tapşırıq
EDA: describe, info, value_counts
Praktiki
1.2Çatışmayan dəyərləri aşkarlama və doldurmaq
Praktiki
0 tapşırıq
Çatışmayan dəyərləri aşkarlama və doldurmaq
Praktiki
1.3Kateqoriya dəyişənləri: encoding, dummy variables
Nəzəri + Praktiki
0 tapşırıq
Kateqoriya dəyişənləri: encoding, dummy variables
Nəzəri + Praktiki
1.4Xüsusiyyət mühəndisliyi (Feature Engineering)
Praktiki
0 tapşırıq
Xüsusiyyət mühəndisliyi (Feature Engineering)
Praktiki
1.5Normallaşdırma: MinMaxScaler, StandardScaler
Nəzəri + Praktiki
0 tapşırıq
Normallaşdırma: MinMaxScaler, StandardScaler
Nəzəri + Praktiki
1.6Train/Test/Validation bölgüsü
Nəzəri + Praktiki
0 tapşırıq
Train/Test/Validation bölgüsü
Nəzəri + Praktiki
1.7Sklearn Pipeline yaratma
Praktiki
0 tapşırıq
Sklearn Pipeline yaratma
Praktiki
02Modul 2 — Vizualizasiya
Matplotlib, Seaborn, Plotly ilə məlumat vizualizasiyası və model nəticələrinin göstərilməsi.
8 dərs
Modul 2 — Vizualizasiya
Matplotlib, Seaborn, Plotly ilə məlumat vizualizasiyası və model nəticələrinin göstərilməsi.
2.0Matplotlib əsasları: figure, axes, subplots
Praktiki
0 tapşırıq
Matplotlib əsasları: figure, axes, subplots
Praktiki
2.1Seaborn ilə statistik qrafiklər
Praktiki
0 tapşırıq
Seaborn ilə statistik qrafiklər
Praktiki
2.2Histogram, KDE və box plot
Praktiki
0 tapşırıq
Histogram, KDE və box plot
Praktiki
2.3Scatter plot, pair plot, korrelyasiya
Praktiki
0 tapşırıq
Scatter plot, pair plot, korrelyasiya
Praktiki
2.4Heatmap ilə korrelyasiya matrisi
Praktiki
0 tapşırıq
Heatmap ilə korrelyasiya matrisi
Praktiki
2.5Plotly ilə interaktiv qrafiklər
Praktiki
0 tapşırıq
Plotly ilə interaktiv qrafiklər
Praktiki
2.6Feature importance vizualizasiyası
Praktiki
0 tapşırıq
Feature importance vizualizasiyası
Praktiki
2.7Confusion matrix və ROC əyrisi
Praktiki
0 tapşırıq
Confusion matrix və ROC əyrisi
Praktiki
03Modul 3 — Nəzarətli Öyrənmə
Reqressiya və klassifikasiya alqoritmləri, model qiymətləndirməsi, cross-validation.
8 dərs
Modul 3 — Nəzarətli Öyrənmə
Reqressiya və klassifikasiya alqoritmləri, model qiymətləndirməsi, cross-validation.
3.0Xətti reqressiya: nəzəriyyə və tətbiq
Nəzəri + Praktiki
0 tapşırıq
Xətti reqressiya: nəzəriyyə və tətbiq
Nəzəri + Praktiki
3.1Loqistik reqressiya və klassifikasiya
Nəzəri + Praktiki
0 tapşırıq
Loqistik reqressiya və klassifikasiya
Nəzəri + Praktiki
3.2Qərar ağacları (Decision Trees)
Nəzəri + Praktiki
0 tapşırıq
Qərar ağacları (Decision Trees)
Nəzəri + Praktiki
3.3Random Forest: bagging, feature importance
Nəzəri + Praktiki
0 tapşırıq
Random Forest: bagging, feature importance
Nəzəri + Praktiki
3.4SVM: kernel trick, hyperplane
Nəzəri + Praktiki
0 tapşırıq
SVM: kernel trick, hyperplane
Nəzəri + Praktiki
3.5KNN: məsafə metrikləri, k seçimi
Nəzəri + Praktiki
0 tapşırıq
KNN: məsafə metrikləri, k seçimi
Nəzəri + Praktiki
3.6Model qiymətləndirməsi: accuracy, F1, MAE, RMSE
Nəzəri + Praktiki
0 tapşırıq
Model qiymətləndirməsi: accuracy, F1, MAE, RMSE
Nəzəri + Praktiki
3.7K-Fold Cross-Validation və GridSearchCV
Praktiki
0 tapşırıq
K-Fold Cross-Validation və GridSearchCV
Praktiki
04Modul 4 — Nəzarətsiz Öyrənmə
Klasterləşmə, ölçü azaltma, anomaliya aşkarlanması.
8 dərs
Modul 4 — Nəzarətsiz Öyrənmə
Klasterləşmə, ölçü azaltma, anomaliya aşkarlanması.
4.0K-Means klasterləşmə: alqoritm və tətbiq
Nəzəri + Praktiki
0 tapşırıq
K-Means klasterləşmə: alqoritm və tətbiq
Nəzəri + Praktiki
4.1Hierarxik klasterləşmə: dendrogram
Nəzəri + Praktiki
0 tapşırıq
Hierarxik klasterləşmə: dendrogram
Nəzəri + Praktiki
4.2DBSCAN: sıxlığa əsaslı klasterləşmə
Nəzəri + Praktiki
0 tapşırıq
DBSCAN: sıxlığa əsaslı klasterləşmə
Nəzəri + Praktiki
4.3PCA: ölçü azaltma, variance açıqlaması
Nəzəri + Praktiki
0 tapşırıq
PCA: ölçü azaltma, variance açıqlaması
Nəzəri + Praktiki
4.4t-SNE ilə yüksəkölçülü məlumatın vizualizasiyası
Praktiki
0 tapşırıq
t-SNE ilə yüksəkölçülü məlumatın vizualizasiyası
Praktiki
4.5Anomaliya aşkarlanması: Isolation Forest
Nəzəri + Praktiki
0 tapşırıq
Anomaliya aşkarlanması: Isolation Forest
Nəzəri + Praktiki
4.6Assosiasiya qaydaları: Apriori, FP-Growth
Nəzəri + Praktiki
0 tapşırıq
Assosiasiya qaydaları: Apriori, FP-Growth
Nəzəri + Praktiki
4.7Klaster keyfiyyəti: silhouette, elbow metodu
Praktiki
0 tapşırıq
Klaster keyfiyyəti: silhouette, elbow metodu
Praktiki
05Modul 5 — Dərin Öyrənmə
Neyron şəbəkələr, CNN, RNN/LSTM, TensorFlow/Keras ilə tətbiq.
8 dərs
Modul 5 — Dərin Öyrənmə
Neyron şəbəkələr, CNN, RNN/LSTM, TensorFlow/Keras ilə tətbiq.
5.0Neyron şəbəkələrə giriş: perceptron, MLP
Nəzəri
0 tapşırıq
Neyron şəbəkələrə giriş: perceptron, MLP
Nəzəri
5.1Aktivasiya funksiyaları: ReLU, sigmoid, softmax
Nəzəri + Praktiki
0 tapşırıq
Aktivasiya funksiyaları: ReLU, sigmoid, softmax
Nəzəri + Praktiki
5.2Backpropagation və gradient descent
Nəzəri
0 tapşırıq
Backpropagation və gradient descent
Nəzəri
5.3TensorFlow/Keras ilə ilk neyron şəbəkəsi
Praktiki
0 tapşırıq
TensorFlow/Keras ilə ilk neyron şəbəkəsi
Praktiki
5.4Regularizasiya: Dropout, Batch Norm, L1/L2
Nəzəri + Praktiki
0 tapşırıq
Regularizasiya: Dropout, Batch Norm, L1/L2
Nəzəri + Praktiki
5.5CNN ilə şəkil tanıma (MNIST, CIFAR-10)
Nəzəri + Praktiki
0 tapşırıq
CNN ilə şəkil tanıma (MNIST, CIFAR-10)
Nəzəri + Praktiki
5.6RNN / LSTM ilə zaman sırası proqnozu
Nəzəri + Praktiki
0 tapşırıq
RNN / LSTM ilə zaman sırası proqnozu
Nəzəri + Praktiki
5.7Final layihə: end-to-end ML sistemi
Layihə
0 tapşırıq
Final layihə: end-to-end ML sistemi
Layihə
Tapşırıqları görmək üçün daxil olub kursa yazılın.
Rəylər
Hələ rəy yoxdur
Kursu bitirənlər qiymətləndirə bilər