Machine learning books and papers

1: introduction two machine learning
2: Regression (linear and non-linear)
3: Tensorflow introduction
4: Tensorflow computaion graph
5: Tensorflow optimizer and loss function
6: Tensorflow linear and non linear regression
7: logistic regression
8: Tensorflow regression
_______
9: introduction to traditional machine learning
*10: knn and desicion tree
*11: desicion tree and Naive bayes
*12: desicion tree, knn, Naive bayes implementation
*13: k-means
*14: Guassion Mixture Model(GMM)
*15: implementation K-means and GMM
_____________
16: introduction to Artificial Neural Network
17: Multi-level Neural Network
18: Introduction to Convolution Neural Network
19: Tensorflow Multi-level Neural Network
20:Tensorflow CNN
21:CNN image clasaification
22: Cnn text clasaification
23: Recurrent Neural Network(RNN)
24: implementation RNN
25: RNN image Classification
26: RNN text Classification
__________
*optional class

در این دوره که در ۲۶ جلسه برگزار می شود بسیاری از سرفصل های یادگیری ماشین آموزش داده می شوند تمامی الگوریتم ها بغییر از * براساس کتابخانه Tensorflow اموزش داده می شوند. از پیش نیاز های این دوره آشنایی به زبان پایتون می باشد در صورت عدم آشنایی ۵ جلسه به موارد بالا اضافه می شود. این ۵ جلسه حدودا ۱۰ ساعت کد نویسی می باشد. جلسات به صورت آنلاین و از طریق اسکایپ برگزار می شوند. در انتهای جلسات جهت یادگیری بیشتر چند مساله واقعی به همراه کدنویسی و بدون هزینه برگزار می شود. کلاس ها به صورت کاملا خصوصی می باشند.
جهت رزرو وقت کلاس با ایدی تلگرام زیر در ارتباط باشین.

📱 Teleg: @Raminmousa

www.tg-me.com/us/Machine learning books and papers/com.Machine_learn/1250

4.59K viewsRamin Mousa, edited  Oct 11, 2019 at 13:58

1: introduction two machine learning
2: Regression (linear and non-linear)
3: Tensorflow introduction
4: Tensorflow computaion graph
5: Tensorflow optimizer and loss function
6: Tensorflow linear and non linear regression
7: logistic regression
8: Tensorflow regression
_______
9: introduction to traditional machine learning
*10: knn and desicion tree
*11: desicion tree and Naive bayes
*12: desicion tree, knn, Naive bayes implementation
*13: k-means
*14: Guassion Mixture Model(GMM)
*15: implementation K-means and GMM
_____________
16: introduction to Artificial Neural Network
17: Multi-level Neural Network
18: Introduction to Convolution Neural Network
19: Tensorflow Multi-level Neural Network
20:Tensorflow CNN
21:CNN image clasaification
22: Cnn text clasaification
23: Recurrent Neural Network(RNN)
24: implementation RNN
25: RNN image Classification
26: RNN text Classification
__________
*optional class

در این دوره که در ۲۶ جلسه برگزار می شود بسیاری از سرفصل های یادگیری ماشین آموزش داده می شوند تمامی الگوریتم ها بغییر از * براساس کتابخانه Tensorflow اموزش داده می شوند. از پیش نیاز های این دوره آشنایی به زبان پایتون می باشد در صورت عدم آشنایی ۵ جلسه به موارد بالا اضافه می شود. این ۵ جلسه حدودا ۱۰ ساعت کد نویسی می باشد. جلسات به صورت آنلاین و از طریق اسکایپ برگزار می شوند. در انتهای جلسات جهت یادگیری بیشتر چند مساله واقعی به همراه کدنویسی و بدون هزینه برگزار می شود. کلاس ها به صورت کاملا خصوصی می باشند.
جهت رزرو وقت کلاس با ایدی تلگرام زیر در ارتباط باشین.

📱 Teleg: @Raminmousa

BY Machine learning books and papers