آموزش مدل سازی پیش بینی پیشرفته: تسلط بر گروه ها و مدل سازی

Advanced Predictive Modeling: Mastering Ensembles and Metamodeling

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: گروه ها شامل گروهی از مدل ها هستند که برای پیش بینی دقیق تر با هم کار می کنند. هنگام ایجاد راه حل های مستقر کامل ، دانشمندان داده ممکن است از انتقال داده ها از یک مدل به مدل دیگر یا استفاده از مدل به صورت ترکیبی استفاده کنند - همچنین به آن مدل سازی فرمی می گویند. این تکنیک ها در میان برندگان مسابقات مدل سازی مانند کاگل و همچنین تیم های برجسته علوم داده در سراسر جهان غالب هستند. در این دوره پیشرفته ، شما می توانید یاد بگیرید که چگونه مجموعه ها و فرمتدلینگ ها را به مجموعه ابزار خود اضافه کنید. مربی کیت مک کورمیک مقدمه ای مفهومی ارائه می دهد که می تواند در هر برنامه ای اعمال شود: R ، Python ، SPSS یا SAS. وی ضروری ترین الگوریتم های گروه را معرفی می کند و اصول تغییر مدل را توضیح می دهد. بعلاوه ، دو مطالعه موردی را بررسی کنید که نشان می دهد چگونه در یک سناریوی تغییر مدل ، گروههای تحت نظارت و نظارت بدون هم ترکیب می شوند و چگونه می توان زیرمجموعه داده ها را به مدلهای مختلف هدایت کرد.
موضوعات شامل:
  • آنسامبل چیست؟
  • انواع گروه
  • اندازه گیری دقت مدل
  • تقویت ، بسته بندی و انباشته شدن
  • تجسم تعصب و واریانس
  • الگوریتم های مهم و تأثیرگذار گروه
  • مدل سازی

سرفصل ها و درس ها

مقدمه Introduction

  • دقیق ترین مدل های یادگیری ماشین The most accurate machine learning models

  • آنچه باید بدانید What you should know

1. مفاهیم کلیدی مدل سازی 1. Key Modeling Concepts

  • گروه موسیقی برنده جایزه نتفلیکس شد Ensemble wins Netflix Prize

  • یک گروه چیست؟ What is an ensemble?

  • انواع مدل ها و الگوریتم های مدل سازی Types of models and modeling algorithms

  • انواع گروه ها Types of ensembles

2. درک خطای مدل 2. Understanding Model Error

  • اندازه گیری دقت مدل: برآورد ارزش Measuring model accuracy: Value estimation

  • درک خطای مدل: طبقه بندی Understanding model error: Classification

3. گروههای ساده ناهمگن 3. Simple Heterogeneous Ensembles

  • پشتهسازی Stacking

  • رأی گیری برای طبقه بندی Voting for classification

4- تجارت تعصب واریانس 4. The Bias-Variance Tradeoff

  • تجزیه خطا Error decomposition

  • تجسم تعصب و واریانس Visualizing bias and variance

  • نفرین ابعاد Curse of dimensionality

  • آیا تیغ اوسام همیشه درست است؟ Is Occam's Razor always true?

5. اصول اساسی الگوریتم 5. Ensemble Algorithms Fundamentals

  • جمع بندی بوت استرپ چیست؟ What is Bootstrap aggregating?

  • تقویت چیست و چگونه کار می کند؟ What is Boosting and how does it work?

  • نمایش نمایشی شیب Gradient boosting demo

6. الگوریتم های مهم گروه 6. Important Ensemble Algorithms

  • جنگل تصادفی Random forest

  • جستجوی مدل توسط bumping Model search by bumping

  • AdaBoost ، XGBoost ، Light GBM ، CatBoost AdaBoost, XGBoost, Light GBM, CatBoost

  • سوپر یادگیرنده ، زیر مجموعه ، StackNet Super Learner, Subsemble, StackNet

  • اکنون چه افرادی کار می کنند؟ What are people working on now?

7. مطالعات موردی گروه و متا مدل سازی 7. Ensemble and Meta-Modeling Case Studies

  • ترکیب نظارت و نظارت Combining supervised and unsupervised

  • مسیریابی موارد به مدلهای مختلف Routing cases to different models

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش مدل سازی پیش بینی پیشرفته: تسلط بر گروه ها و مدل سازی
جزییات دوره
1h 10m
25
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
4,424
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Keith McCormick Keith McCormick

داده کاو ، مربی ، سخنران ، نویسنده کیت مک کورمیک یک کاوشگر اطلاعات ، مربی ، سخنران و نویسنده مستقل است.

کیت در توضیح روشهای پیچیده برای کاربران جدید یا تصمیم گیرندگان در سطوح مختلف از جزئیات فنی مهارت دارد. وی متخصص در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی از جمله درختان طبقه بندی ، شبکه های عصبی ، مدل خطی کلی ، تجزیه خوشه و قوانین ارتباط است.