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

Advanced Predictive Modeling: Mastering Ensembles and Metamodeling

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      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

      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.