علم داده با پایتون: افزایش دقت و استحکام مدل

Data Science with Python: Enhancing Model Accuracy and Robustness

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: چگونه می توان یک مدل یادگیری ماشینی عمومی را انتخاب کرد و آن را ساخت؟ در مورد داده های خاص شما دقیق تر است؟ در این دوره، علم داده با پایتون: افزایش دقت و استحکام مدل، شما را خواهید دید توانایی استفاده از یک مدل یادگیری ماشینی موجود و یادگیری را به دست آورید نحوه تنظیم هایپر پارامترها برای دقیق تر کردن آن. ابتدا، اضافه برازش و عدم تناسب را با یک خطی بررسی خواهید کرد مدل رگرسیون سپس، پارامترهای مختلف درخت تصمیم را کشف خواهید کرد و نحوه بهینه سازی آنها برای یک مجموعه داده خاص. شما نیز خواهید دید نحوه اعتبار سنجی مجموعه داده در نهایت، نحوه ذخیره مدل را یاد خواهید گرفت تا بتوانیم دوباره از آن استفاده کنیم آینده. وقتی این دوره را تمام کردید، مهارت ها و مهارت ها را خواهید داشت دانش تنظیم هایپرپارامتر مورد نیاز برای بهبود ماشین مدل های یادگیری

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

بیش از حد در مقابل تناسب اندک Overfitting vs. Underfitting

  • مقدمه ای بر تیونینگ مدل Introduction to Model Tuning

  • تنظیم دستی مدل: قسمت 1 Hands-on Model Tuning: Part 1

بهینه سازی هایپرپارامتر و اعتبارسنجی متقابل Hyper-parameter Optimization and Cross Validation

  • هایپرپارامترها و اعتبارسنجی Hyper-paramters and Validation

  • تنظیم دستی مدل: قسمت 2 Hands-on Model Tuning: Part 2

نمایش نظرات

علم داده با پایتون: افزایش دقت و استحکام مدل
جزییات دوره
22m
5
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Anand Saravanan Anand Saravanan

آناند یک مهندس نرم افزار است و مشتاق هوش مصنوعی و کاربردهای چند رشته ای آن است. او همیشه به فناوری و اینکه چگونه می توان از آن برای کمک به مردم و مشاغل استفاده کرد، علاقه داشت. او که در زبان های برنامه نویسی مختلف مانند C++، جاوا، R، Python، SQL، Hadoop و غیره تسلط دارد، مردی است که دائماً می تواند دانش خود را یاد بگیرد و به اشتراک بگذارد. او با شرکت های Fortune 500 در بخش های مختلف کار کرده است تا به آنها کمک کند تا به طور موثر از داده های موجود برای کمک به تصمیم گیری های تجاری بهتر استفاده کنند.