Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
در حال بارگزاری، لطفا صبر کنید...
توضیحات دوره:
یادگیری ماشینی با اکسل ساده شد! طبقهبندی برای تجزیه و تحلیل دادههای پیشرفته و هوش تجاری (بدون کدنویسی!) ایجاد مهارتهای اساسی یادگیری ماشین و علم داده، بدون نوشتن کدهای پیچیده استفاده از ابزارهای بصری و کاربرپسند مانند Microsoft Excel برای معرفی و ابهام زدایی ابزارها و تکنیکهای یادگیری ماشین، مجموعه دادهها را با استفاده از ویژگی غنیسازی کنید. تکنیکهای مهندسی مانند رمزگذاری تک داغ، مقیاسبندی و گسستهسازی نتایج طبقهبندی را با استفاده از مدلهای طبقهبندی مانند K-نزدیکترین همسایگان، خلیجهای ساده، درختهای تصمیمگیری و موارد دیگر پیشبینی میکنند. تکنیکهایی برای انتخاب و تنظیم مدلهای طبقهبندی برای بهینهسازی عملکرد، کاهش تعصب و به حداقل رساندن رانش محاسبه معیارهایی مانند دقت، دقت و یادآوری برای اندازهگیری عملکرد مدل پیش نیازها: این یک دوره آموزشی مبتدی است (بدون نیاز به دانش قبلی یا پیشزمینه ریاضی/آمار) ما از Microsoft Excel (Office 365) برای برخی از دورههای نمایشی استفاده میکنیم، اما مشارکت اختیاری است.
سر بالا!
این دوره اکنون بخشی از راهنمای تصویری کامل برای علم دادههای یادگیری ماشینی است که هر 4 دوره یادگیری ماشین را از Maven Analytics ترکیب میکند. این دوره به همراه سایر دوره های انفرادی این مجموعه به زودی بازنشسته می شود.
اگر برای کاوش در یادگیری ماشینی علوم داده هیجان زده هستید، اما نگران یادگیری زبان های برنامه نویسی پیچیده هستید یا از عباراتی مانند "Bays ساده لوحانه"، "رگرسیون لجستیک"، "KNN" و "درخت تصمیم" می ترسید، در این زمینه هستید. جای درست .
این دوره، بخش 2 از یک سری 4 قسمتی است که برای کمک به شما در ایجاد درک قوی و اساسی از یادگیری ماشین طراحی شده است:
بخش 1: پروفایل داده QA
بخش 2: مدل سازی طبقه بندی
بخش 3: پیش بینی رگرسیون
بخش 4: یادگیری بدون نظارت
این دوره، علم داده را برای افراد عادی قابل دسترسی میکند و برای ابهامزدایی از تکنیکهای قدرتمند ابزارهای یادگیری ماشین طراحی شده است، بدون اینکه تلاشی برای آموزش همزمان یک زبان برنامهنویسی به شما داشته باشد.
در عوض، ما از ابزارهای آشنا و کاربر پسند مانند Microsoft Excel استفاده میکنیم تا موضوعات پیچیده را بشکافیم و به شما کمک میکنیم تا قبل از اینکه به سراغ زبانهای برنامهنویسی مانند Python یا R بروید، بدانید دقیقاً چگونه و چرا یادگیری ماشین کار میکند. در دوره های یادگیری ماشین، یک خط کد نمی نویسید .
خلاصه دوره:
در این دوره آموزشی قسمت 2، چشم انداز یادگیری تحت نظارت را معرفی می کنیم، گردش کار طبقه بندی را مرور می کنیم، و به موضوعات کلیدی مانند متغیرهای وابسته در مقابل مستقل، مهندسی ویژگی، تقسیم داده ها و برازش بیش از حد می پردازیم.
از آنجا مدلهای طبقهبندی رایج از جمله K-Nearest Neighbors (KNN)، Naïve Bayes، Decision Trees، Random Forests، Logistic Regression و Sentiment Analysis را بررسی میکنیم و نکاتی را برای امتیازدهی، انتخاب و بهینهسازی مدل به اشتراک میگذاریم.
p>
بخش 1: مقدمه ای برای طبقه بندی
چشم انداز یادگیری تحت نظارت
گردش کار طبقه بندی
مهندسی ویژگی
تقسیم داده ها
عدم تناسب بیش از حد
بخش 2: مدل های طبقه بندی
K-نزدیکترین همسایه ها
بیز ساده
درختان تصمیم
جنگل های تصادفی
رگرسیون لجستیک
تجزیه و تحلیل احساسات
بخش 3: تنظیم انتخاب مدل
تنظیم فراپارامتر
کلاس های نامتعادل
ماتریس های سردرگمی
دقت، فراخوانی دقیق
رانش انتخاب مدل
در طول دوره، ما مطالعات موردی را برای تثبیت مفاهیم کلیدی و پیوند دادن آنها به سناریوهای دنیای واقعی معرفی خواهیم کرد. شما به ایجاد یک موتور توصیه برای Spotify، تجزیه و تحلیل رفتار خرید مشتری برای یک فروشگاه خردهفروشی، پیشبینی اشتراک برای یک شرکت مسافرتی، استخراج احساسات از نظرات مشتریان، و موارد دیگر کمک خواهید کرد.
اگر میخواهید پایه و اساس شغلی موفق در علم داده را ایجاد کنید، این دوره آموزشی برای شماست!
__________
امروز بپیوندید و به موارد زیر دسترسی فوری و مادام العمر داشته باشید:
ویدیوی با کیفیت بالا و درخواستی
یادگیری ماشینی: کتاب الکترونیکی طبقه بندی
فایل پروژه اکسل قابل دانلود
انجمن پرسش و پاسخ متخصص
30 روز ضمانت بازگشت وجه
یادگیری مبارک!
-Josh M. (مدرس اصلی یادگیری ماشین، Maven Analytics)
__________
به دنبال پشته کامل هوش تجاری ما هستید؟ برای مرور کتابخانه کامل دوره ما، از جمله دوره های Excel، Power BI، MySQL و Tableau، "Maven Analytics" را جستجو کنید!
ببینید چرا دورههای ما جزو برترینها در Udemy هستند:
"برخی از بهترین دوره هایی که تا به حال گذرانده ام. چندین زبان برنامه نویسی، Excel، VBA و توسعه دهنده وب را مطالعه کرده ام، و Maven یکی از بهترین دوره هایی است که دیده ام!" Russ C.
"این چهارمین دوره من از Maven Analytics و چهارمین بررسی 5 ستاره من است، بنابراین چیزهایی برای گفتن تمام شده است. کاش Maven زودتر در زندگی من بود!" تاتسیانا ام.
"Maven Analytics باید استاندارد جدیدی برای تمام دوره های آموزش داده شده در Udemy شود!" جونا ام.
سرفصل ها و درس ها
شروع شدن
Getting Started
ساختار و طرح کلی دوره
Course Structure & Outline
مرا بخوانید: بهروزرسانیهای مهم دوره
READ ME: Important Course Updates
درباره این سریال
About this Series
دانلود: منابع دوره
DOWNLOAD: Course Resources
تعیین انتظارات
Setting Expectations
مقدمه ای بر طبقه بندی
Intro to Classification
یادگیری تحت نظارت در مقابل یادگیری بدون نظارت
Supervised vs. Unsupervised Learning
طبقه بندی در مقابل رگرسیون
Classification vs. Regression
خلاصه: مفاهیم کلیدی
RECAP: Key Concepts
طبقه بندی 101
Classification 101
گردش کار طبقه بندی
Classification Workflow
مهندسی ویژگی
Feature Engineering
تقسیم داده ها
Data Splitting
بیش از حد برازش
Overfitting
مقدمه ای بر طبقه بندی
Intro to Classification
مدل های طبقه بندی
Classification Models
مدل های طبقه بندی رایج
Common Classification Models
معرفی K-Nearest Neighbors (KNN)
Intro to K-Nearest Neighbors (KNN)
نمونه های KNN
KNN Examples
مطالعه موردی: KNN
CASE STUDY: KNN
معرفی بیز ساده لوحانه
Intro to Naïve Bayes
بیز ساده لوح | جداول فرکانس
Naïve Bayes | Frequency Tables
بیز ساده لوح | احتمال شرطی
Naïve Bayes | Conditional Probability
مطالعه موردی: بیز ساده لوح
CASE STUDY: Naïve Bayes
مقدمه ای بر درختان تصمیم
Intro to Decision Trees
درختان تصمیم | آنتروپی 101
Decision Trees | Entropy 101
آنتروپی و به دست آوردن اطلاعات
Entropy & Information Gain
نمونه های درخت تصمیم
Decision Tree Examples
جنگل های تصادفی
Random Forests
مطالعه موردی: درختان تصمیم
CASE STUDY: Decision Trees
مقدمه ای بر رگرسیون لجستیک
Intro to Logistic Regression
مثال رگرسیون لجستیک
Logistic Regression Example
مثبت های کاذب در مقابل منفی های کاذب
False Positives vs. False Negatives
نمایش نظرات