تکنیک‌های پیش‌بینی پیشرفته با Scikit-Learn و TensorFlow [ویدئو]

سرفصل ها و درس ها

روشهای گروهی برای رگرسیون و طبقه بندی Ensemble Methods for Regression and Classification

• بررسی اجمالی دوره The Course Overview

• روش‌های گروهی چگونه کار می‌کنند؟ How Ensemble Methods Work?

• کیسه‌بندی، جنگل‌های تصادفی، و تقویت برای رگرسیون Bagging, Random Forests, and Boosting for Regression

• بسته بندی، جنگل های تصادفی، و تقویت برای طبقه بندی Bagging, Random Forests, and Boosting for Classification

اعتبار سنجی متقابل و تنظیم پارامتر Cross-Validation and Parameter Tuning

• K-fold Cross-Validation K-fold Cross-Validation

• مقایسه مدل‌ها با K-fold Cross-Validation Comparing Models with K-fold Cross-Validation

• تنظیم Hyper-Parameter در scikit-learn Hyper-Parameter Tuning in scikit-learn

کار با ویژگی ها Working with Features

• روش های انتخاب ویژگی Feature Selection Methods

• کاهش ابعاد و PCA Dimensionality Reduction and PCA

• ایجاد ویژگی های جدید Creating New Features

• بهبود مدل ها با مهندسی ویژگی Improving Models with Feature Engineering

مقدمه ای بر شبکه های عصبی مصنوعی و TensorFlow Introduction to Artificial Neural Networks and TensorFlow

• مقدمه ای بر شبکه های عصبی مصنوعی Introduction to Artificial Neural Networks

• عناصر یک مدل شبکه عصبی عمیق Elements of a Deep Neural Network Model

• نصب و آشنایی با TensorFlow Installation and Introduction to TensorFlow

• مفاهیم اصلی در TensorFlow Core Concepts in TensorFlow

تجزیه و تحلیل پیش بینی کننده با TensorFlow و شبکه های عصبی عمیق Predictive Analytics with TensorFlow and Deep Neural Networks

• پیش بینی با TensorFlow - مثال مقدماتی Predictions with TensorFlow - Introductory Example

• رگرسیون با استفاده از شبکه های عصبی عمیق Regression Using Deep Neural Networks

• طبقه بندی با شبکه های عصبی عمیق Classification with Deep Neural Networks