نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره جنبه های نظری و عملی ساختن راه حل های یادگیری مجموعه در یادگیری دقیق را پوشش می دهد. از جنگل های تصادفی ساخته شده با استفاده از کیسه بندی و چسباندن تا تقویت انطباقی و شیب و انباشت مدل و تنظیم بیش از حد پارامتر. این دوره بخشی از: ساختن راه حل های یادگیری ماشین با مسیر یادگیری دقیق همه را بزرگ کنید بررسی اجمالی دوره 1m 54s درک تکنیک های یادگیری گروه 47 متر 8 ثانیه پیاده سازی یادگیری گروهی با استفاده از روشهای متوسط سازی 42 متر 0 ثانیه پیاده سازی یادگیری گروهی با استفاده از روشهای تقویت 31m 17s پیاده سازی یادگیری گروهی با استفاده از مدل سازی Stacking 12 متر 24 ثانیه علائم تجاری و نامهای تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
درک تکنیک های یادگیری گروه
Understanding Ensemble Learning Techniques
-
بررسی اجمالی ماژول
Module Overview
-
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
-
مروری سریع بر یادگیری گروه
A Quick Overview of Ensemble Learning
-
به طور متوسط و تقویت ، رأی دادن و جمع آوری
Averaging and Boosting, Voting and Stacking
-
درختان تصمیم گیری در یادگیری گروه
Decision Trees in Ensemble Learning
-
درک درختان تصمیم
Understanding Decision Trees
-
مدل های بیش از حد متناسب و آموزش گروه
Overfitted Models and Ensemble Learning
-
شروع و کاوش در محیط
Getting Started and Exploring the Environment
-
بررسی مجموعه طبقه بندی
Exploring the Classification Dataset
-
رأی گیری سخت
Hard Voting
-
رأی گیری نرم
Soft Voting
-
خلاصه ماژول
Module Summary
پیاده سازی یادگیری گروهی با استفاده از روشهای متوسط سازی
Implementing Ensemble Learning Using Averaging Methods
-
بررسی اجمالی ماژول
Module Overview
-
چمدان و چسباندن
Bagging and Pasting
-
زیر فضاهای تصادفی و وصله های تصادفی
Random Subspaces and Random Patches
-
درختان اضافی
Extra Trees
-
میانگین در مقابل تقویت
Averaging vs. Boosting
-
کاوش مجموعه داده های رگرسیون
Exploring the Regression Dataset
-
رگرسیون با استفاده از کیسه گذاری و چسباندن
Regression Using Bagging and Pasting
-
رگرسیون با استفاده از فضاهای فرعی تصادفی
Regression Using Random Subspaces
-
طبقه بندی با استفاده از کیسه بندی و چسباندن
Classification Using Bagging and Pasting
-
طبقه بندی با استفاده از وصله های تصادفی
Classification Using Random Patches
-
رگرسیون با استفاده از جنگل تصادفی
Regression Using Random Forest
-
رگرسیون با استفاده از درختان اضافی
Regression Using Extra Trees
-
طبقه بندی با استفاده از جنگل های تصادفی و درختان اضافی
Classification Using Random Forest and Extra Trees
-
خلاصه ماژول
Module Summary
پیاده سازی یادگیری گروهی با استفاده از روشهای تقویت
Implementing Ensemble Learning Using Boosting Methods
-
بررسی اجمالی ماژول
Module Overview
-
تقویت انطباقی (AdaBoost)
Adaptive Boosting (AdaBoost)
-
رگرسیون با استفاده از AdaBoost
Regression Using AdaBoost
-
طبقه بندی با استفاده از AdaBoost
Classification Using AdaBoost
-
تقویت گرادیان
Gradient Boosting
-
رگرسیون با استفاده از تقویت گرادیان
Regression Using Gradient Boosting
-
تنظیم Hyperparameter رگرسیون تقویت کننده گرادیان با استفاده از جستجوی شبکه
Hyperparameter Tuning of the Gradient Boosting Regressor Using Grid Search
-
تنظیم Hyperparameter با استفاده از شروع گرم و توقف زودرس
Hyperparameter Tuning Using Warm Start and Early Stopping
-
خلاصه ماژول
Module Summary
پیاده سازی یادگیری گروهی با استفاده از مدل سازی Stacking
Implementing Ensemble Learning Using Model Stacking
-
بررسی اجمالی ماژول
Module Overview
-
پشتهسازی
Stacking
-
طبقه بندی با استفاده از مجموعه جمع کردن
Classification Using a Stacking Ensemble
-
خلاصه و مطالعه بیشتر
Summary and Further Study
نمایش نظرات