آموزش تفسیر داده ها با مدل های آماری پیشرفته

Interpreting Data with Advanced Statistical Models

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: یادگیری ماشین در حال تغییر جهان است و در هسته اصلی یادگیری ماشین مدل های آماری پیشرفته ای وجود دارد. با استفاده از این دوره ، شما می دانید که چگونه برای مشکلات موجود در کار شما یک برنامه ML ایجاد کنید و اساس آن را درک کنید. وقتی به هسته یادگیری ماشین نگاه می کنید ، مدل های آماری پیشرفته وجود دارد. در این دوره ، تفسیر داده ها با مدل های پیشرفته آماری ، شما توانایی درک موثر نحوه ایجاد یک برنامه کاربردی ML را خواهید داشت که می تواند مشکلاتی را که در کار شما ایجاد می شود ، متحول کند. ابتدا ، اصول یادگیری ماشین را یاد خواهید گرفت. در مرحله بعد ، شما رگرسیون خطی را با الگوی کلی تر کشف خواهید کرد ، و به چندین ویژگی و چند جمله ای گسترش می یابد. در ادامه ، شما نحوه طبقه بندی با استفاده از Logistic Regression ، SVMs و روشهای بیزی را کشف خواهید کرد. سرانجام ، شما الگوهای ذاتی داده ها را با تکنیک های بدون نظارت مانند K Means و PCA خواهید آموخت. وقتی این دوره را به پایان رسانید ، مهارت و دانش یادگیری ماشین را برای استفاده از آن در یک برنامه دنیای واقعی خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

شروع با یادگیری ماشین Getting Started with Machine Learning

  • شروع به یادگیری ماشین می کنید؟ Getting Started with Machine Learning?

  • یادگیری بدون نظارت: نمی خواهم چیزی را از دست بدهم! Unsupervised Learning: I Don’t Wanna Miss a Thing!

  • یادگیری تحت نظارت: وقتی از تاریخ یاد می گیریم Supervised Learning: When We Learn from History

  • نسخه ی نمایشی Demo

  • خلاصه Summary

یافتن آن مدل ها Finding Those Models

  • چگونه در یادگیری ماشین یاد بگیریم؟ توابع هزینه! How to Learn in Machine Learning? Cost Functions!

  • پیدا کردن حداقلها: GD و SGD Finding the Minima: GD and SGD

  • سریعتر ساختن چیزها: مقیاس بندی ویژه و نرخ یادگیری Making Things Faster: Feature Scaling and Learning Rates

  • چگونه همه جا متناسب است: بازگشت به مدل! How It All Fits: Going Back to the Model!

  • نسخه ی نمایشی: اجرای GD و SGD Demo: Implementing GD and SGD

  • خلاصه Summary

پیش بینی روابط خطی با رگرسیون Predicting Linear Relationships with Regression

  • بازگشت به مبانی: بازگشت خطی دوباره Back to the Basics: Linear Regression Again

  • بهینه سازی Hyperparameter: مجموعه های آموزش/توسعه/آزمایش Hyperparameter Optimization: Train/Dev/Test Sets

  • نسخه ی نمایشی: رگرسیون خطی ساده را انجام دهید Demo: Perform Simple Linear Regression

  • اگر متغیرهای بیشتری بخواهم چه می کنم؟ رگرسیون چندگانه برای نجات! What if I Want More Variables? Multiple Regression to the Rescue!

  • نسخه ی نمایشی: رگرسیون خطی چندگانه را انجام دهید Demo: Perform Multiple Linear Regression

  • آنچه هیچکس درباره آن صحبت نمی کند: فرضیات What No One Talks About: Assumptions

  • نسخه ی نمایشی: یک مدل رگرسیون را ارزیابی کنید Demo: Evaluate a Regression Model

  • خلاصه Summary

درک مدلهای رگرسیون در عمق Understanding Regression Models in Depth

  • رگرسیون غیرخطی: ویژگی های چند جمله ای Non-linear Regression: Polynomial Features

  • نصب بیش از حد: یک مسئولیت بزرگ یک قاعده مند سازی عالی را نشان می دهد Overfitting: A Great Responsibility Conveys a Great Regularization

  • نسخه ی نمایشی: رگرسیون خطی با منظم سازی Demo: Linear Regression with Regularization

  • نسخه ی نمایشی: انجام رگرسیون چند جمله ای Demo: Perform Polynomial Regression

  • Outriers Strike Again: Spline Regression as Local Regressor Outliers Strike Again: Spline Regression as Local Regressor

  • نسخه ی نمایشی: یک رگرسیون Spline را انجام دهید Demo: Perform a Spline Regression

  • انتخاب مدل: بگذارید ساده ترین مدل برنده شود Model Selection: Let the Simplest Model Win

  • نسخه ی نمایشی: مقایسه مدل ها Demo: Comparing Models

  • خلاصه Summary

مشکل طبقه بندی صحیح The Problem of Correct Classification

  • مرز چگونه به نظر می رسد؟ What Does the Boundary Look Like?

  • اگر نیاز به طبقه بندی دارید ، ستاره: رگرسیون لجستیک را در عمق امتحان کنید! If You Need to Classify, Try the Star: Logistic Regression in Depth!

  • نسخه ی نمایشی: طبقه بندی با رگرسیون لجستیک Demo: Classify with Logistic Regression

  • طبقه بندی چند دسته: طبقه بندی یک در مقابل همه Classify Multiple Categories: One vs. All Classification

  • نسخه ی نمایشی: طبقه بندی چند کلاسه با رگرسیون لجستیک چند جمله ای Demo: Multiclass Classification with Multinomial Logistic Regression

  • خلاصه Summary

حاشیه بزرگ و طبقه بندی بیزی Large Margin and Bayesian Classification

  • حداکثر رساندن اطلاعات واقعی: حمله بیزی! Maximizing the Actual Information: Bayesian Attack!

  • نسخه ی نمایشی: طبقه بندی هدف چند برچسب با Naive Bayes Demo: Multilabel Intent Classification with Naive Bayes

  • طبقه بندی حاشیه بزرگ: دور از دسترس! Large Margin Classification: Outliers!

  • عبور از مرزهای خطی به موارد غیرخطی: ترفند هسته Passing from Linear Boundaries to Nonlinear Ones: Kernel Trick

  • نسخه ی نمایشی: Iris را با SVM طبقه بندی کنید Demo: Classify Iris with SVM

  • خلاصه Summary

هنر ظریف عدم نیاز به برچسب: یادگیری بدون نظارت The Subtle Art of Not Needing Labels: Unsupervised Learning

  • ماتریس فاصله و کوواریانس Distance and Covariance Matrices

  • خوشه بندی: سلسله مراتبی و غیر سلسله مراتبی Clustering: Hierarchical and Non-hierarchical

  • فشرده سازی: PCA و CA Compression: PCA and CA

  • نسخه ی نمایشی: PCA را انجام دهید Demo: Perform PCA

  • نسخه ی نمایشی: سرطان پستان در یک نگاه Demo: Breast Cancer at a Glance

  • خلاصه Summary

نمایش نظرات

آموزش تفسیر داده ها با مدل های آماری پیشرفته
جزییات دوره
3h 9m
47
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
14
3.4 از 5
دارد
دارد
دارد
Axel Sirota
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Axel Sirota Axel Sirota

آکسل سیروتا دارای مدرک کارشناسی ارشد ریاضیات است که علاقه زیادی به عملیات یادگیری عمیق و یادگیری ماشین دارد. وی پس از تحقیق در زمینه احتمال ، آمار و بهینه سازی یادگیری ماشین ، در حال حاضر در JAMPP به عنوان یک مهندس تحقیق در زمینه یادگیری ماشین مشغول به کار است که از داده های مشتری برای پیش بینی دقیق در زمان واقعی پیشنهاد استفاده می کند.