نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
از داده های خود برای پیش بینی وقایع آینده با کمک یادگیری ماشین استفاده کنید. این دوره شما را در ایجاد یک راه حل پیش بینی یادگیری ماشین راهنمایی می کند و پایتون ، کتابخانه یادگیری سریع و محیط Jupyter Notebook را معرفی می کند. سلام! نام من جری کوراتا است ، و به درک ماشین یادگیری با پایتون خوش آمدید. در این دوره ، شما درکی از چگونگی انجام یادگیری ماشین با پایتون کسب خواهید کرد. شما با پوشش مباحث عمده مانند چگونگی قالب بندی مشکل برای حل شدن ، چگونگی آماده سازی داده های خود برای استفاده در پیش بینی و نحوه ترکیب این داده ها با الگوریتم ها برای ایجاد مدل هایی که می توانند آینده را پیش بینی کنند ، به آنجا خواهید رسید. در پایان این دوره ، شما می توانید از Python و کتابخانه یادگیری scikit برای ایجاد راه حل های یادگیری ماشین استفاده کنید. و خواهید فهمید که چگونه راه حلهای ایجاد شده خود را ارزیابی و بهبود بخشید. قبل از شروع ، مطمئن شوید که از قبل با توسعه نرم افزار و آمار اولیه آشنا هستید. با این حال ، لازم نیست که تجربه نرم افزار شما در پایتون باشد ، زیرا در این دوره اصول را یاد خواهید گرفت. هنگامی که از Python همراه با scikit-learn استفاده می کنید ، خواهید فهمید که چرا این محیط توسعه ترجیحی برای بسیاری از پزشکان آموزش ماشین است. شما با استفاده از محیط Jupyter Notebook تمام نسخه های نمایشی را انجام خواهید داد. این محیط کد زنده را با متن داستانی ترکیب می کند تا سندی ایجاد شود که می تواند به عنوان یک صفحه وب اجرا و ارائه شود. امیدوارم که به من بپیوندید و من مشتاقانه منتظر کمک شما در سفر یادگیری خود در اینجا در Pluralsight هستم.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
شروع به یادگیری ماشین
Getting Started in Machine Learning
-
مقدمه
Introduction
-
یادگیری ماشین چیست؟
What Is Machine Learning?
-
انواع یادگیری ماشین
Types of Machine Learning
-
بررسی اجمالی دوره
Course Overview
-
چرا این دوره؟
Why This Course?
-
نصب Python و Jupyter Notebook
Installing Python and Jupyter Notebook
-
نسخه ی نمایشی نوت بوک Python و Jupyter
Python and Jupyter Notebook Demo
درک گردش کار یادگیری ماشین
Understanding the Machine Learning Workflow
-
بررسی اجمالی گردش کار یادگیری ماشین
Machine Learning Workflow Overview
پرسیدن س Rightال درست
Asking the Right Question
-
از س Questionال تا بیانیه راه حل
From Question to Solution Statement
آماده سازی داده های شما
Preparing Your Data
-
مقدمه ای بر تهیه داده ها
Introduction to Data Preparation
-
گرفتن داده
Getting Data
-
مخزن GitHub
The GitHub Repository
-
بارگیری ، تمیز کردن و بازرسی داده ها
Loading, Cleaning, and Inspecting Data
-
قالب گیری داده ها
Molding Data
انتخاب الگوریتم شما
Selecting Your Algorithm
-
نقش الگوریتم
The Role of the Algorithm
-
محدود کردن انتخاب
Narrowing the Selection
-
انتخاب الگوریتم اولیه ما
Selecting Our Initial Algorithm
آموزش مدل
Training the Model
-
مقدمه آموزش
Introduction to Training
-
روند آموزش
The Training Process
-
ابزارهای آموزش پایتون
Python Training Tools
-
تقسیم داده ها و آموزش الگوریتم
Splitting Data and Training the Algorithm
دقت مدل خود را آزمایش کنید
Testing Your Model's Accuracy
-
مقدمه ای برای ارزیابی مدل
Introduction to Evaluating the Model
-
ارزیابی مدل Naive Bayes
Evaluating the Naive Bayes Model
-
بهبود عملکرد ، نگاهی به 1
Performance Improvement, Take 1
-
چرا نصب بیش از حد بد است
Why Overfitting Is Bad
-
بهبود عملکرد ، نگاهی به 2
Performance Improvement, Take 2
-
درک و رفع کلاسهای نامتعادل
Understanding and Fixing Unbalanced Classes
-
اعتبار سنجی چیست؟
What Is Cross Validation?
-
پیاده سازی و ارزیابی اعتبار سنجی متقابل
Implementing and Evaluating Cross Validation
-
جمع بندی ارزیابی
Summarizing the Evaluation
خلاصه
Summary
-
سفر تا کنون
The Journey so Far
-
راهنماهای سفر شما
Guides for Your Journey
-
سفر از اینجا
The Journey from Here
نمایش نظرات