نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
استفاده از تکنیک های آماری برای داده های شما در Azure Machine Learning Service اغلب باعث افزایش عملکرد مدل می شود. این دوره اصول پاکسازی داده ها ، از جمله نحو و توابع اساسی را به شما می آموزد. هسته اصلی یادگیری ماشین کاربردی داده ها است. در این دوره ، ساخت ویژگی های داده های اسمی و عددی در Microsoft Azure ، می آموزید که چگونه داده ها را در محدوده سرویس یادگیری ماشین Azure پاک کنید. ابتدا ، گزینه های متفاوتی را که در Azure Machine Learning Service برای ساختن مدل های خود به پایان دارید ، کشف خواهید کرد. در مرحله بعدی ، شما اهمیت استفاده از تکنیک های آماری را در داده های خود برای بهبود عملکرد مدل کشف خواهید کرد. سرانجام ، شما یاد خواهید گرفت که چگونه برای تقویت عملکرد دنیای واقعی ، تکنیک های مختلف پاک سازی داده ها را روی داده های خود اعمال کنید. وقتی این دوره را به پایان رسانید ، شما یک دانش بنیادی از خدمات یادگیری ماشین لاجورد خواهید داشت و یک چگونگی استفاده از تکنیک های آماری بر روی داده های خود را که به شما کمک می کند تا به عنوان یک مهندس یادگیری ماشین تبدیل شوید ، کاملاً بی فهمید.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
تنظیم مرحله
Setting the Stage
-
بررسی اجمالی ماژول
Module Overview
-
این دوره برای شما مناسب است؟
Is This Course for You?
-
مهارت های توصیه شده برای این دوره
Skills Recommended for This Course
-
اقدامات تمایل مرکزی
Measures of Central Tendency
-
اقدامات تنوع
Measures of Variability
-
حالت و کجی
Modality and Skewness
-
کورتوز
Kurtosis
-
توزیع های گاوسی
Gaussian Distributions
-
محاسبه میانگین ، متوسط و حالت
Calculating the Mean, Median, and Mode
-
خلاصه
Summary
نزدیک شدن به عادی سازی و استاندارد سازی
Approaching Normalization and Standardization
-
مقدمه
Introduction
-
فرآیند یادگیری ماشین تقطیر می شود
Machine Learning Process Distilled
-
شناسایی و جایگذاری دور از دسترس
Outlier Detection and Imputation
-
Demo: Outlier Detection در پایتون
Demo: Outlier Detection in Python
-
نسخه ی نمایشی: جایگزینی در پایتون
Demo: Imputation in Python
-
استاندارد سازی و عادی سازی
Standardization and Normalization
-
نسخه ی نمایشی: در پایتون عادی و استاندارد کنید
Demo: Normalize and Standardize in Python
-
خلاصه
Summary
تعریف تکنیک های عادی سازی و استاندارد سازی
Defining Normalization and Standardization Techniques
-
بررسی اجمالی ماژول
Module Overview
-
رویکردهای معمول مقیاس گذاری
Common Scaling Approaches
-
نسخه ی نمایشی: رویکردهای معمول مقیاس گذاری
Demo: Common Scaling Approaches
-
بیند
Binning
-
نسخه ی نمایشی: Binning
Demo: Binning
-
هترواسکدستی بودن
Heteroscedasticity
-
نسخه ی نمایشی: اصلاح Heteroscedasticity
Demo: Correcting Heteroscedasticity
-
نمره Z
Z-score
-
نسخه ی نمایشی: نمره Z
Demo: Z-score
-
خلاصه
Summary
استفاده از داده های اسمی در یادگیری ماشین
Leveraging Nominal Data in Machine Learning
-
بررسی اجمالی ماژول
Module Overview
-
انواع داده ها در آمار
Data Types in Statistics
-
مقیاس اندازه گیری داده ها
Data Measurement Scales
-
مشکلات داده های دسته ای
Problems with Categorical Data
-
کدگذاری داغ
One-hot Encoding
-
نسخه ی نمایشی: رمزگذاری برچسب و یک داغ
Demo: Label and One-hot Encoding
-
نسخه ی نمایشی: رمزگذاری برچسب و XGBoost
Demo: Label Encoding and XGBoost
-
خلاصه
Summary
نمایش نظرات