آموزش به کارگیری روش های گروه با یادگیری دقیق

Employing Ensemble Methods with scikit-learn

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

آموزش به کارگیری روش های گروه با یادگیری دقیق
جزییات دوره
2h 14m
40
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
11
4.9 از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.