آموزش ساخت اولین راه حل یادگیری دقیق خود

Building Your First scikit-learn Solution

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره هر دو دلیل و چگونگی استفاده از یادگیری scikit را فرا می گیرد. شما در طبقه بندی مداوم در حال رشد کتابخانه های یادگیری ماشین و جنبه های مهم کار با برآوردگرها و خطوط لوله یادگیری scikit یاد خواهید گرفت. حتی اگر تعداد چارچوب های یادگیری ماشین و کتابخانه ها به طور روزانه افزایش یابد ، scikit -Learn محبوبیت خود را با سهولت حفظ می کند. scikit-learn موارد استفاده معمول در یادگیری ماشین - خوشه بندی ، طبقه بندی ، کاهش ابعاد و رگرسیون - را فوق العاده آسان می کند. در این دوره ، با ساختن اولین راه حل یادگیری scikit خود ، توانایی شناسایی موقعیت هایی را پیدا خواهید کرد که scikit-learn دقیقاً ابزاری است که به دنبال آن می گردید و همچنین شرایطی که به چیز دیگری نیاز دارید. اول ، شما یاد می گیرید که بر خلاف یادگیری عمیق یا ایجاد شبکه های عصبی ، چگونه scikit-learn's niche یادگیری ماشین سنتی است. در مرحله بعدی ، خواهید فهمید که چگونه یکپارچه با کتابخانه های اصلی Python ادغام می شود. سپس ، مجموعه معمولی مراحل مورد نیاز برای کار با مدل ها را در یادگیری دقیق بررسی خواهید کرد. سرانجام ، شما با ساختن اولین مدلهای رگرسیون و رگرسیون یادگیری سریع یادگیری خود را جمع آوری می کنید. پس از اتمام این دوره ، مهارت و دانش لازم برای شناسایی دقیق شرایط یادگیری scikit را باید ابزار انتخابی شما و همچنین چگونگی استفاده بهینه از توانایی های عالی یادگیری scikit باشد.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

کاوش یادگیری دقیق برای یادگیری ماشین Exploring scikit-learn for Machine Learning

  • بررسی اجمالی ماژول Module Overview

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • معرفی یادگیری ماشین Introducing Machine Learning

  • یادگیری از داده ها: آموزش و پیش بینی Learning from Data: Training and Prediction

  • مدل های سنتی و نمایندگی ML Traditional and Representation ML Models

  • جایگاه یادگیری دقیق در ML The Niche of scikit-learn in ML

  • کاوش کتابخانه های یادگیری دقیق Exploring scikit-learn Libraries

  • یادگیری نظارت شده و بدون نظارت Supervised and Unsupervised Learning

  • نصب کتابخانه های یادگیری دقیق Installing scikit-learn Libraries

  • خلاصه Summary

درک جریان کار یادگیری ماشین با یادگیری سریع Understanding the Machine Learning Workflow with scikit-learn

  • بررسی اجمالی ماژول Module Overview

  • گردش کار یادگیری ماشین The Machine Learning Workflow

  • با استفاده از یادگیری scikit در گردش کار یادگیری ماشین Using scikit-learn in the Machine Learning Workflow

  • انتخاب برآوردگر صحیح: طبقه بندی Choosing the Right Estimator: Classification

  • انتخاب برآوردگر صحیح: خوشه بندی Choosing the Right Estimator: Clustering

  • انتخاب برآوردگر صحیح: کاهش رگرسیون و ابعاد Choosing the Right Estimator: Regression and Dimensionality Reduction

  • کاوش مجموعه داده های داخلی در یادگیری سریع Exploring Built-in Datasets in scikit-learn

  • کاوش در گروه های خبری بوستون و مجموعه داده های ارقام Exploring the Boston Newsgroups and Digits Datasets

  • مجموعه داده های مسکن کالیفرنیا: بررسی ویژگی های عددی و طبقه ای California Housing Dataset: Exploring Numeric and Categorical Features

  • مجموعه داده های مسکن کالیفرنیا: بررسی روابط در داده ها California Housing Dataset: Exploring Relationships in Data

  • خلاصه Summary

ساخت یک مدل ساده یادگیری ماشین با یادگیری دقیق Building a Simple Machine Learning Model with scikit-learn

  • بررسی اجمالی ماژول Module Overview

  • درک رگرسیون خطی Understanding Linear Regression

  • آماده سازی داده ها برای یادگیری ماشین Data Preparation for Machine Learning

  • آموزش و پیش بینی با استفاده از رگرسیون خطی Training and Prediction Using Linear Regression

  • درک رگرسیون لجستیک Understanding Logistic Regression

  • آموزش و پیش بینی با استفاده از طبقه بندی رگرسیون لجستیک Training and Prediction Using a Logistic Regression Classifier

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش ساخت اولین راه حل یادگیری دقیق خود
جزییات دوره
2h 7m
29
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
61
4.7 از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.