آموزش ساخت یک مدل طبقه بندی باینری در Azure ML

Building a Binary Classification Model in Azure ML

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: احتمال زندگی یا مردن شما در کشتی تایتانیک چقدر است؟ شما می توانید از Azure ML برای ساخت یک مدل طبقه بندی باینری از انتهای تا انتها استفاده کنید. شما نحوه امتیاز دهی و ارزیابی مدل طبقه بندی باینری را خواهید فهمید. از چیزهایی که آموخته اید برای پیش بینی اینکه اگر سوار کشتی تایتانیک بودید، زنده می ماندید یا می مردید استفاده خواهید کرد. پیش نیازها:درکی اساسی از یادگیری ماشینی Azure. درک سطح بالایی از یادگیری ماشین.

"تأثیر اول این است "در نهایت، یک مربی تمرین کننده" ارائه دوره بدون مشکل و به موقع انجام می شود. درست قبل از اینکه امید خود را از دست بدهید، جواهری مانند این ظاهر می شود - با تشکر." - دان شورای

به ساخت مدل طبقه‌بندی باینری در Azure ML خوش آمدید.

هدف مایکروسافت از دموکراتیک کردن یادگیری ماشینی در حال شکل گیری است.

به‌نظر می‌رسد استفاده از تحلیل‌های پیش‌بینی‌کننده در فضای ابری گام منطقی بعدی به سوی مصرف‌سازی در مقیاس بزرگ یادگیری ماشین باشد. Azure ML دقیقاً این کار را انجام می دهد، در حالی که ساخت مدل های یادگیری ماشینی با احتمال بالا را بدون مدرک دکترا در آمار برای توسعه دهندگان بسیار آسان می کند.

در این دوره قصد داریم یکی از ساده ترین و رایج ترین مدل ها یعنی مدل طبقه بندی باینری را بسازیم.

هدف طبقه‌بندی باینری دسته‌بندی نقاط داده در یکی از دو سطل است: 0 یا 1، درست یا نادرست و زنده ماندن یا عدم بقا.

بسیاری از تصمیمات در زندگی دودویی هستند، به آنها بله یا خیر پاسخ داده می شود. بسیاری از مشکلات تجاری نیز پاسخ های دودویی دارند. به عنوان مثال: «آیا این معامله تقلبی است؟ "، "آیا این مشتری می خواهد آن محصول را بخرد؟"، یا "آیا این کاربر از دست می دهد؟" در یادگیری ماشینی به این مسئله طبقه بندی باینری می گویند.

ما از طبقه‌بندی باینری برای پیش‌بینی احتمال زنده ماندن شخصی در صورتی که سوار کشتی تایتانیک بوده‌اند، استفاده خواهیم کرد.

ما می‌خواهیم یک گردش کار پایان به پایان ایجاد کنیم. مجموعه داده‌ها را دانلود می‌کنیم، پاک می‌کنیم، مدل‌سازی می‌کنیم، ارزیابی می‌کنیم و نتایج خود را منتشر می‌کنیم تا دیگران بتوانند از آن استفاده کنند.

پس از تکمیل دوره، می‌دانید که چگونه مدلی ایجاد کنید که بقای یک فرد را بر اساس ویژگی‌های مجموعه داده به‌طور دقیق پیش‌بینی کند.

درباره زبان بومی مورد استفاده در یادگیری ماشینی بینش خواهید داشت.

به عنوان مثال، در جمله آخر از «ویژگی» جهان استفاده کردم. یک ویژگی در یادگیری ماشین تفاوتی با ستونی در مجموعه داده ندارد.

ویژگی‌های مختلف بر نتیجه پیش‌بینی تأثیر می‌گذارند. به عنوان مثال، اگر در کلاس اول بودم، شانس زنده ماندن من 21.07٪ بود. اگر در کلاس دوم بودم تغییراتم به 2.16 درصد کاهش یافت. در هر صورت، من موفق نمی شدم.

از علاقه شما به ساختن یک مدل طبقه‌بندی باینری در Azure ML سپاسگزاریم. . ما شما را در دوره خواهیم دید!!!

سرفصل ها و درس ها

معرفی دوره Course Introduction

مقدمه ای بر دوره An Introduction to the Course
ما به دنبال چه چیزی هستیم؟ What are we seeking to accomplish?
ایجاد مجموعه داده تایتانیک ما Creating Our Titanic Data Set
خلاصه Summary
امتحان Quiz

فرآیند مدلسازی The Modeling Process

تعریف متغیرهای دسته بندی ما Defining Our Categorical Variables
تغییر نام ستون های ما Renaming Our Columns
ارزش های سن گمشده را پاک کنید Clean Missing Age Values
حذف ستون های غیر ضروری Remove Unnecessary Columns
کلاس پاسخ ما را مشخص کنید Specify Our Response Class
ساخت مدل Building the Model
خلاصه Summary
امتحان Quiz

تجزیه و تحلیل نتایج Analyzing The Results

اضافه کردن مدل دوم برای مقایسه Adding a Second Model for Comparison
تجزیه و تحلیل نتایج Analyzing the Results
اعتبار سنجی متقاطع چیست؟ What is Cross Validation?
اعتبارسنجی متقاطع نتایج ما Cross Validating Our Results
تنظیم مدل Tuning the Model
انتشار در وب سرویس Publish To Web Service
خلاصه Summary
امتحان Quiz
سخنرانی جایزه: هزاران محتوای رایگان یادگیری ماشینی Bonus Lecture: Tons of Free Machine Learning Content