آموزش ویژگی های ساخت از داده های اسمی و عددی در Microsoft Azure

Building Features from Nominal and Numeric Data in Microsoft Azure

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

آموزش ویژگی های ساخت از داده های اسمی و عددی در Microsoft Azure
جزییات دوره
1h 20m
37
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Mike West
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mike West Mike West

سازنده LogikBot