آموزش یادگیری ماشینی کاربردی: مبانی

مقدمه Introduction

• یادگیری ماشین اعمال می شود Leveraging machine learning

• آنچه باید بدانید What you should know

• به چه ابزارهایی نیاز دارید What tools you need

• با استفاده از پرونده های تمرینی Using the exercise files

1. مبانی یادگیری ماشین 1. Machine Learning Basics

• یادگیری ماشین چیست؟ What is machine learning?

• چه نوع از مشکلات می تواند به شما کمک کند تا حل شود؟ What kind of problems can this help you solve?

• چرا پایتون؟ Why Python?

• یادگیری ماشین در مقابل یادگیری عمیق در مقابل هوش مصنوعی Machine learning vs. Deep learning vs. Artificial intelligence

• نمایشی از یادگیری ماشین در زندگی واقعی Demos of machine learning in real life

• چالش های مشترک Common challenges

2. تجزیه و تحلیل داده های اکتشافی و تمیز کردن داده ها 2. Exploratory Data Analysis and Data Cleaning

• چرا ما نیاز به اکتشاف و تمیز کردن داده های خود داریم؟ Why do we need to explore and clean our data?

• کاوش در ویژگی های مداوم Exploring continuous features

• ترسیم ویژگی های مداوم Plotting continuous features

• تمیز کردن مداوم داده ها Continuous data cleaning

• کاوش در ویژگی های طبقه بندی شده Exploring categorical features

• ترسیم ویژگی های طبقه بندی شده Plotting categorical features

• تمیز کردن طبقه بندی داده ها Categorical data cleaning

3. اندازه گیری موفقیت 3. Measuring Success

• چرا داده های خود را تقسیم می کنیم؟ Why do we split up our data?

• تقسیم داده ها برای قطار / اعتبارسنجی / مجموعه آزمون Split data for train/validation/test set

• اعتبار متقابل چیست؟ What is cross-validation?

• یک چارچوب ارزیابی ایجاد کنید Establish an evaluation framework

4- بهینه سازی یک مدل 4. Optimizing a Model

• تعصب / مبادله واریانس Bias/Variance tradeoff

• زیر کف چیست؟ What is underfitting?

• اتصالات بیش از حد چیست؟ What is overfitting?

• یافتن تجارت مناسب Finding the optimal tradeoff

• تنظیم تنظیم دما Hyperparameter tuning

• نظم زدایی Regularization

5- خط لوله انتهایی تا انتها 5. End-to-End Pipeline

• نمای کلی روند Overview of the process

• ویژگی های مداوم را تمیز کنید Clean continuous features

• ویژگی های طبقه بندی شده را تمیز کنید Clean categorical features

• تقسیم داده ها به قطار / اعتبارسنجی / مجموعه آزمون Split data into train/validation/test set

• یک مدل اصلی را با استفاده از اعتبار سنجی متقابل متناسب کنید Fit a basic model using cross-validation

• هایپرپارامترهای لحن Tune hyperparameters

• نتایج حاصل از مجموعه اعتبارسنجی را ارزیابی کنید Evaluate results on validation set

• انتخاب مدل نهایی و ارزیابی در مجموعه آزمون Final model selection and evaluation on test set

نتیجه Conclusion

• مراحل بعدی Next steps