آموزش درک یادگیری ماشین با پایتون

Understanding Machine Learning with Python

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

آموزش درک یادگیری ماشین با پایتون
جزییات دوره
1h 53m
34
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
638
4.5 از 5
دارد
دارد
دارد
Jerry Kurata
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jerry Kurata Jerry Kurata

جری دارای مدرک کارشناسی علوم زمین شناسی و فیزیک است. برنامه های وی برای کار در صنعت اکتشاف نفت ، هنگامی که فهمید ترجیح می دهد به جای خواندن نمونه های گِل و هسته در دریای شمال ، برای کار در شبیه سازی و پردازش داده ها با رایانه کار کند ، مورد پیگرد قرار گرفت. عشق او به رایانه و فن آوری باعث شد که وی در حالی که مدرک کارشناسی ارشد خود را در رشته علوم کامپیوتر می گیرد ، ساعتهای بیشتری را صرف کار با کامپیوتر کند. زمینه های فعلی علاقه وی شامل یادگیری ماشین ، بیگ دیتا ، سیستم های رایانه ای کوچک و پوشیدنی ، رباتیک و راه حل های ساختن است که به افراد کمک می کند. هنگامی که با کامپیوتر کار نمی کند ، جری از گذراندن وقت با خانواده اش ، مسافرت و عکس گرفتن از زیبایی های دنیای ما لذت می برد.