آموزش یادگیری ماشین نظارت شده با R - آخرین آپدیت

دانلود Supervised Machine Learning with R

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: ساخت مدل‌های پیش‌بینی دقیق مستلزم آن است که بدانید چگونه الگوریتم‌های مناسب را انتخاب و اعمال کنید؛ این فرآیند شامل آماده‌سازی داده‌ها، انتخاب مدل‌های بهینه و درک نحوه ارزیابی و گزارش نتایج است. در این دوره آموزشی، «یادگیری ماشین نظارت شده با R»، شما توانایی آموزش، ارزیابی و تفسیر مدل‌های رگرسیون و طبقه‌بندی (Classification) را با استفاده از زبان R کسب خواهید کرد. در ابتدا، یاد می‌گیرید که چگونه تفاوت بین مسائل رگرسیون و طبقه‌بندی را تشخیص دهید و داده‌ها را با استفاده از ابزارهای بسته‌های tidyverse، data.table و rsample آماده کنید. سپس، نحوه آموزش و ارزیابی مدل‌هایی مانند رگرسیون خطی، رگرسیون لجستیک و درخت‌های تصمیم را با استفاده از معیارهای عملکردی مانند RMSE، R2، دقت (Accuracy)، صحت (Precision) و فراخوانی (Recall) کشف خواهید کرد. در نهایت، یاد می‌گیرید که چگونه مدل‌ها را با استفاده از اعتبارسنجی متقاطع (Cross-validation) مقایسه کرده و رفتار مدل را با تکنیک‌هایی مانند مقادیر SHAP تفسیر کنید. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در زمینه یادگیری نظارت شده را برای به‌کارگیری موثر تکنیک‌های مدل‌سازی پیش‌بینی در R خواهید داشت.

سرفصل ها و درس ها

مبانی یادگیری ماشین نظارت شده Fundamentals of Supervised Learning

  • نیازمندی‌های سیستم و نرم‌افزاری System and Software Requirements

  • یادگیری ماشین نظارت شده و نظارت نشده Supervised and Unsupervised Machine Learning

  • مثال‌هایی از یادگیری نظارت شده و نظارت نشده Examples of Supervised and Unsupervised Learning

آموزش و ارزیابی مدل‌های رگرسیون Train and Evaluate Regression Models

  • درک مفاهیم رگرسیون خطی Understanding Linear Regression

  • ارزیابی مدل‌های رگرسیون Evaluating Regression Models

  • دمو: بارگذاری و پاکسازی داده‌ها Demo: Loading and Cleaning Data

  • دمو: آماده‌سازی داده‌ها برای رگرسیون Demo: Preparing Data for Regression

  • دمو: آموزش یک مدل رگرسیون Demo: Training a Regression Model

آموزش و ارزیابی مدل‌های طبقه‌بندی Train and Evaluate Classification Models

  • درک مفاهیم رگرسیون لجستیک Understanding Logistic Regression

  • ارزیابی مدل‌های طبقه‌بندی Evaluating Classification Models

  • دمو: آماده‌سازی داده‌ها برای طبقه‌بندی Demo: Preparing Data for Classification

  • دمو: آموزش و ارزیابی یک مدل Demo: Training and Evaluating a Model

  • درخت‌های تصمیم برای طبقه‌بندی Decision Trees for Classification

  • دمو: آموزش مدل درخت تصمیم Demo: Training a Decision Tree Model

مقایسه و انتخاب بهترین مدل Compare and Select the Best Model

  • اعتبارسنجی متقاطع مدل (Cross validation) Model Cross-validation

  • تنظیم هایپرپارامترها Hyperparameter Tuning

  • دمو: تنظیم هایپرپارامترها Demo: Hyperparameter Tuning

  • بیش‌برازش و موازنه بایاس-واریانس Overfitting and the Bias-variance Trade-off

تفسیر و گزارش نتایج مدل Interpret and Communicate Model Results

  • اهمیت ویژگی‌ها با استفاده از SHAP Feature Importances with SHAP

  • دمو: محاسبه مقادیر SHAP Demo: Computing SHAP Values

نمایش نظرات

آموزش یادگیری ماشین نظارت شده با R
جزییات دوره
1h 30m
20
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
2
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.