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 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
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.
نمایش نظرات