Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره تقریباً همه تکنیک های مهم کاهش ابعاد موجود در R را در بر می گیرد ، به سازندگان مدل اجازه می دهد تا عملکرد مدل را با کاهش نصب اضافی و صرفه جویی در وقت و هزینه آموزش مدل بهینه کنند. ساخت مدل های آماری و ریاضی با R Rath همه را بزرگ کنید بررسی اجمالی دوره 2 متر 1 ثانیه درک اهمیت کاهش پیچیدگی در داده ها 44 متر 3 ثانیه انجام تجزیه و تحلیل بعدی برای داده های مداوم دهه 31 م انجام تجزیه و تحلیل بعدی برای داده های دسته ای 24m 37s انجام تجزیه و تحلیل بعدی برای داده های غیر خطی 29 متر 1 ثانیه علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
درک اهمیت کاهش پیچیدگی در داده ها
Understanding the Importance of Reducing Complexity in Data
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
نفرین بعد
The Curse of Dimensionality
اشکال در کاهش ابعاد
Drawbacks of Dimensionality Reduction
نصب بیش از حد و واریانس تعصب
Overfitting and the Bias-variance Trade-off
تکنیک هایی برای کاهش پیچیدگی
Techniques to Reduce Complexity
انتخاب تکنیک مناسب
Choosing the Right Technique
نسخه ی نمایشی: بررسی مجموعه داده های مسکن بوستون
Demo: Exploring the Boston Housing Dataset
نسخه ی نمایشی: انتخاب پیش بینی برای ساخت مدل های رگرسیون
Demo: Selecting Predictors to Build Regression Models
نسخه ی نمایشی: انجام رگرسیون سینک ظرفشویی مرحله ای و آشپزخانه
Demo: Performing Stepwise and Kitchen Sink Regression
انجام تجزیه و تحلیل بعدی برای داده های مداوم
Performing Dimensional Analysis for Continuous Data
تجزیه و تحلیل اجزای اصلی
Principal Components Analysis
رگرسیون حداقل مربعات جزئی
Partial Least Squares Regression
نسخه ی نمایشی: انجام تحلیل م Compلفه های اصلی
Demo: Performing Principal Component Analysis
نسخه ی نمایشی: رگرسیون با استفاده از مonلفه های اصلی
Demo: Regression Using Principal Components
نسخه ی نمایشی: رگرسیون اجزای اصلی
Demo: Principal Components Regression
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات