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