آموزش مدل سازی پیش بینی با پایتون
9h 25m
68
Udemy
11 خرداد 1400
5,914
از 5
دارد (اگر در سایت مرجع باشد، قرارداده می شود.)
معمولا دارد
معمولا دارد (در صورت درخواست)
Ganesh D

https://donyad.com/d/2d4d

آموزش مدل سازی پیش بینی با پایتون

Predictive Modeling with Python

سرفصل ها و درس ها | نظرات

توضیحات دوره: با یک ذهنیت پیش بینی فکر کنید و اصول تکنیک های استفاده شده در پیش بینی را با این دوره به خوبی درک کنید

آنچه خواهید آموخت

  • مدل سازی پیش بینی در پایتون ، رگرسیون خطی ، رگرسیون لجستیک ، مدل برازش با کتابخانه یادگیری کیت ، مدل برازش با کتابخانه مدل stat ، منحنی های ROC ، رویکرد حذف عقب ، بسته مدل آماری و غیره را بیاموزید
  • از طریق نصب نرم افزار مورد نیاز راهنمایی خواهید شد. پیش پردازش داده ها ، که شامل قاب داده ، مجموعه داده تقسیم ، مقیاس بندی ویژگی ها و غیره است ، شما در رگرسیون خطی ، پیش بینی حقوق ، رگرسیون لجستیک امتیاز خواهید گرفت. شما می توانید در مجموعه داده های مختلفی که با Credit Risk و دیابت سروکار دارند کار کنید.

مدل سازی پیش بینی استفاده از داده ها و آمار برای پیش بینی نتیجه مدل های داده است. این پیش بینی تقریباً در همه زمینه ها ، از ورزش ، گرفته تا رتبه بندی تلویزیونی ، درآمد شرکت ها و پیشرفت های تکنولوژیکی کاربرد دارد. به مدل سازی پیش بینی تحلیلی پیش بینی نیز گفته می شود. با کمک تجزیه و تحلیل پیش بینی ، ما می توانیم داده ها را به اقدامات موثر در مورد شرایط فعلی و رویدادهای آینده متصل کنیم. همچنین ، ما می توانیم تجارت را قادر به بهره برداری از الگوهایی کنیم که در داده های تاریخی یافت می شود ، خطرات و فرصت های احتمالی را قبل از وقوع شناسایی کند. پایتون برای مدل سازی پیش بینی استفاده می شود زیرا چارچوب های مبتنی بر پایتون سریعتر به ما نتایج می دهند و همچنین به برنامه ریزی مراحل بعدی بر اساس نتایج کمک می کنند.

دوره ما تضمین می کند که شما قادر خواهید بود با یک ذهنیت پیش بینی فکر کنید و اصول تکنیک های استفاده شده در پیش بینی را به خوبی درک کنید. تفکر انتقادی برای اعتبارسنجی مدل ها و تفسیر نتایج بسیار مهم است. از این رو ، مطالب دوره ما بر سخت کوشی این نوع توانایی تفکر تأکید دارند. دانش خوبی در مورد مدل سازی پیش بینی در پایتون ، رگرسیون خطی ، رگرسیون لجستیک ، مدل برازش با کتابخانه یادگیری کیت ، مدل برازش با کتابخانه مدل stat ، منحنی ROC ، رویکرد حذف عقب ، بسته مدل آماری و غیره خواهید داشت.

در این دوره، شما مقدمه ای را برای مدل سازی پیش بینی شده با پایتون دریافت خواهید کرد. شما از طریق نصب نرم افزار مورد نیاز هدایت خواهید شد. پیش پردازش داده ها، شامل فریم داده، مجموعه داده تقسیم، مقیاس ویژگی، و غیره شما یک لبه در رگرسیون خطی، پیش بینی حقوق و دستمزد، رگرسیون لجستیک به دست خواهید آورد. شما به کار بر روی مجموعه داده های مختلف برخورد با ریسک اعتباری و دیابت خواهید رسید.

این دوره برای چه کسانی است:

  • این مدل پیش بینی با دوره پایتون را می توان هر کسی که علاقه مناسبی در این زمینه داشته باشد ، بپذیرد. هرچه کسی زودتر شروع کند به همان اندازه که می تواند برسد در مورد دانشجویانی که دوره آماری یا فارغ التحصیلان علوم کامپیوتر را دنبال می کنند ، فرصت بسیار خوبی برای هدایت شغل خود به آن سمت است. از آنجا که این مهارت تقاضای زیادی است ، هر متخصص فناوری اطلاعات به دنبال سوئیچ خوب و ورود به حوزه تجزیه و تحلیل پیش بینی است.
  • تحلیلگر داده ، دانشمند داده ، تحلیلگر تجارت ، تحلیلگر تحقیقات بازار ، مهندس کیفیت ، معمار راه حل ، تحلیلگر برنامه ریز ، تحلیلگر آماری ، آمارشناس


سرفصل ها و درس ها

معرفی و نصب Introduction and Installation

  • مقدمه ای بر مدل سازی پیش بینی با پایتون Introduction to Predictive Modelling with Python

  • نصب و راه اندازی Installation

پیش پردازش داده ها Data Preprocessing

  • پیش پردازش داده ها Data Preprocessing

  • قاب داده Dataframe

  • جعلی Imputer

  • Dummies ایجاد کنید Create Dumies

  • مجموعه داده های تقسیم شده Splitting Dataset

  • مقیاس گذاری ویژگی ها Features Scaling

رگرسیون خطی Linear Regression

  • مقدمه ای برای رگرسیون خطی Introduction to Linear Regression

  • مدل رگرسیون تخمینی Estimated Regression Model

  • کتابخانه را وارد کنید Import the Library

  • طرح Plot

  • نمونه نکته Tip Example

  • عملکرد چاپ Print Function

پیش بینی حقوق و دستمزد Salary Prediction

  • مقدمه ای بر مجموعه حقوق و دستمزد Introduction to Salary Dataset

  • نصب رگرسیون خطی Fitting Linear Regression

  • رگرسیون خطی را نصب کنید ادامه دهید Fitting Linear Regression Continue

  • پیش بینی از مدل Prediction from the Model

  • پیش بینی از مدل ادامه دارد Prediction from the Model Continue

پیش بینی سود Profit Prediction

  • مقدمه ای بر رگرسیون خطی چندگانه Introduction to Multiple Linear Regression

  • ایجاد Dummies Creating Dummies

  • حذف یک مجموعه داده ساختگی و تقسیم Removing one Dummy and Splitting Dataset

  • مجموعه آموزش و پیش بینی ها Training Set and Predictions

  • مدل ها را برای ایجاد مدل بهینه Stats Models to Make Optimal Model

  • مراحل ساخت مدل بهینه Steps to Make Optimal Model

  • ساخت مدل بهینه با حذف عقب Making Optimal Model by Backward Elimination

  • میدان R تنظیم شده است Adjusted R Square

  • اجرای نهایی مدل بهینه Final Optimal Model Implementation

مسکن بوستون Boston Housing

  • مقدمه ای بر نوت بوک Jupyter Introduction to Jupyter Notebook

  • درک داده ها و بیانیه مشکل Understanding Dataset and Problem Statement

  • کار با نمودارهای همبستگی Working with Correlation Plots

  • کار با نمودارهای همبستگی ادامه یابد Working with Correlation Plots Continue

  • نمودار همبستگی و مجموعه داده تقسیم Correlation Plot and Splitting Dataset

  • مدل MLR با Sklearn و پیش بینی ها MLR Model with Sklearn and Predictions

  • مدل MLR با مدل ها و پیش بینی ها MLR model with Statsmodels and Predictions

  • دریافت مدل بهینه با رویکرد حذف عقب Getting Optimal model with Backward Elimination Approach

  • نظریه محاسبه RMSE و چند خطی بودن RMSE Calculation and Multicollinearity Theory

  • محاسبه VIF VIF Calculation

  • VIF و نمودارهای همبستگی VIF and Correlation Plots

رگرسیون لجستیک Logistic Regression

  • مقدمه ای بر رگرسیون لجستیک Introduction to Logistic Regression

  • درک بیان مسئله و تقسیم Understanding Problem Statement and Splitting

  • مقیاس گذاری و برازش مدل رگرسیون لجستیک Scaling and Fitting Logistic Regression Model

  • پیش بینی و معرفی ماتریس سردرگمی Prediction and Introduction to Confusion Matrix

  • توضیح ماتریس سردرگمی Confusion Matrix Explanation

  • بررسی عملکرد مدل با استفاده از ماتریس سردرگمی Checking Model Performance using Confusion Matrix

  • توطئه ها Plots Understanding

  • پیرامون درک ادامه دهید Plots Understanding Continue

دیابت Diabetes

  • مقدمه و پیش پردازش داده ها Introduction and data Preprocessing

  • مدل متناسب با کتابخانه Sklearn Fitting Model with Sklearn Library

  • مدل متناسب با کتابخانه Statmodel Fitting Model with Statmodel Library

  • با استفاده از بسته Statsmodel Using Statsmodel Package

  • رویکرد حذف عقب مانده Backward Elimination Approach

  • رویکرد حذف به عقب ادامه دهید Backward Elimination Approach Continue

  • اطلاعات بیشتر درباره رویکرد حذف عقب مانده More on Backward Elimination Approach

  • مدل نهایی Final Model

  • منحنی های ROC ROC Curves

  • تغییر آستانه Threshold Changing

  • پیش بینی های نهایی Final Predictions

ریسک اعتباری Credit Risk

  • معرفی ریسک اعتباری Intro to Credit Risk

  • رمزگذاری برچسب Label Encoding

  • متغیر جنسیت Gender Variable

  • افراد وابسته و متغیر تحصیلات Dependents and Education Variable

  • درمان ارزش های از دست رفته در متغیر خود اشتغالی Missing Values Treatment in Self Employed Variable

  • درمان پرت در متغیر درآمد متقاضی Outliers Treatment in Applicant Income Variable

  • ارزش از دست رفته Missing Values

  • متغیر منطقه املاک Property Area Variable

  • تقسیم اطلاعات Splitting Data

  • مدل نهایی و منطقه تحت منحنی ROC Final Model and Area under ROC Curve

نمایش نظرات

نظری ارسال نشده است.

Ganesh D

کارآفرین و مربی من یک کارآفرین و مربی هستم. من از طریق دوره های خود و فیلم های آنلاین به هزاران دانش آموز در چندین موضوع در زمینه های مختلف آموزش داده ام. من 11 سال سابقه مربیگری دارم. من دوست دارم دانش خود را با دانش آموزان در میان بگذارم. در طول سال ها من ایده های تجاری مختلفی از اصول اولیه تا الگوی پیچیده تر را اجرا کرده ام و دانش بزرگی کسب کرده ام که دوست دارم آنها را به اشتراک بگذارم. من چندین ماه را برای آماده سازی دوره هایم صرف می کنم. قدرت من به عنوان یک معلم از توانایی من در تجزیه و تحلیل موضوعات پیچیده به مفاهیم ساده تر ناشی می شود. و توجه من به جزئیات به من کمک می کند تا این مفاهیم را به گونه ای توضیح دهم که برای دانشجویان بسیار قابل دسترسی باشد. من به طور مداوم در حال تحقیق ، مطالعه و آموزش هستم تا مهارت های خود را ارتقا دهم. امیدوارم از دوره های من لذت ببرید