نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در این دوره ، هنگام کار روی یک مشکل یادگیری ماشین با MATLAB ، از همه موارد درگیر استفاده خواهید کرد - از تمیز کردن داده ها تا آموزش مدل ، که درک شما را از یکی از محبوب ترین گزینه های شغلی بالا می برد! این روزها ، داده ها در همه جا فراوان و فراوان است. . تجزیه و تحلیل این داده ها و سپس قرار دادن آنها در معرض مدل های یادگیری ماشین که به نوبه خود پیش بینی هایی را ایجاد می کنند ، ضروری شده است. کل استارتاپ ها با استفاده از این مبنا ساخته شده اند و مشاغل مستقر برای گسترش توانایی های خود از آن استفاده می کنند. ابزارهای زیادی برای انجام این کار وجود دارد و MATLAB یکی از ابزارهای بزرگ است. در این دوره ، انجام پیش بینی مدل سازی با MATLAB ، اطلاعات و تجزیه و تحلیل داده ها و مدل سازی پیش بینی را از طریق MATLAB یاد خواهید گرفت. ابتدا دوره را با معرفی مختصری از مشکل تجاری آغاز خواهید کرد که در طول دوره تمدید خواهد شد. در مرحله بعدی ، می آموزید که مجموعه داده های ما را برای تجزیه و تحلیل و مدل سازی آماده کنید. سپس ، نحوه انتخاب الگوریتم صحیح برای مشکل تجاری را مشخص خواهید کرد. سرانجام ، شما می آموزید که چگونه مدل را بر روی مجموعه داده آموزش داده و آزمایش کنید و سپس عملکرد آن را ارزیابی کنید. وقتی این دوره را به پایان رسانید ، درک کاملی از نحوه کار با یک مشکل یادگیری ماشین با MATLAB خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
آماده سازی داده ها برای مدل سازی
Preparing Data for Modeling
-
معرفی دوره و ماژول
Course and Module Introduction
-
مقدمه ای بر مسئله تجارت
Introduction to the Business Problem
-
پیش پردازش داده ها - چه و چرا؟
Data Preprocessing - What and Why?
-
نسخه ی نمایشی: وارد کردن مجموعه داده
Demo: Importing the Dataset
-
داده از دست رفته
Missing Data
-
نسخه ی نمایشی: پرداختن به اطلاعات از دست رفته در MATLAB
Demo: Dealing with Missing Data in MATLAB
-
داده های دسته بندی شده
Categorical Data
-
نسخه ی نمایشی: مدیریت ویژگی های دسته بندی در یک مجموعه داده
Demo: Handling Categorical Features in a Dataset
-
نسخه ی نمایشی: پرداختن به تاریخ
Demo: Dealing with Dates
-
خلاصه ماژول
Module Summary
انتخاب الگوریتم صحیح
Choosing the Correct Algorithm
-
معرفی ماژول
Module Introduction
-
انواع الگوریتم های یادگیری ماشین
Types of Machine Learning Algorithms
-
یادگیری تحت نظارت
Supervised Learning
-
رگرسیون خطی
Linear Regression
-
درخت تصمیم
Decision Tree
-
جنگل تصادفی
Random Forest
-
خلاصه ماژول
Module Summary
آموزش ، آزمایش و ارزیابی مدل
Training, Testing, and Evaluating the Model
-
معرفی ماژول
Module Introduction
-
تقسیم مجموعه داده خود را به آموزش و آزمایش داده ها
Splitting Your Dataset into Training and Testing Data
-
Holdout و اعتبار سنجی ضربدر K برابر
Holdout and K-fold Cross Validation
-
معیارهای ارزیابی
Evaluation Metrics
-
نسخه ی نمایشی: آموزش مدل رگرسیون خطی
Demo: Training a Linear Regression Model
-
نسخه ی نمایشی: آموزش یک درخت تصمیم و مدل جنگل تصادفی
Demo: Training a Decision Tree and Random Forest Model
-
خلاصه و بازخورد ماژول
Module Summary and Feedback
Pluralsight (پلورال سایت)
Pluralsight یکی از پرطرفدارترین پلتفرمهای آموزش آنلاین است که به میلیونها کاربر در سراسر جهان کمک میکند تا مهارتهای خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دورههای آموزشی در زمینههای فناوری اطلاعات، توسعه نرمافزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه میدهد.
یکی از ویژگیهای برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعهدهندگان و کارشناسان معتبر، دورههایی را ارائه میدهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژیها نگه میدارد. این امر به کاربران این اطمینان را میدهد که دورههایی که در Pluralsight میپذیرند، با جدیدترین دانشها و تجارب به روز شدهاند.
نمایش نظرات