شروع یادگیری ماشین در پایتون [ویدئو]

سرفصل ها و درس ها

راه اندازی یک محیط پایتون برای ایجاد مدل های یادگیری ماشینی Launching a Python Environment to Create Machine Learning Models

• بررسی اجمالی دوره The Course Overview

• یادگیری ماشین در مقابل برنامه نویسی مبتنی بر قانون Machine Learning versus Rule-Based Programming

• درک آنچه که یادگیری ماشینی با استفاده از چارچوب وظایف می تواند انجام دهد Understanding What Machine Learning Can Do Using the Tasks Framework

• ایجاد مدل های یادگیری ماشینی با پایتون و scikit-learn Creating Machine-Learned Models with Python and scikit-learn

• یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Supervised Versus Unsupervised Learning

مجموعه داده های خود را برای یادگیری ماشینی با پاکسازی داده ها آماده کنید Prepare Your Datasets for Machine Learning with Data Cleaning

• مدل های یادگیری ماشین خود را با درک منبع داده خود اصلاح کنید Fix Your Machine Learning Models by Understanding Your Data Source

• برخورد با ارزش های از دست رفته - یک مثال Dealing with Missing Values – An Example

• استانداردسازی و عادی سازی برای مقابله با متغیرها با مقیاس های مختلف Standardization and Normalization to Deal with Variables with Different Scales

• حذف ورودی های تکراری Eliminating Duplicate Entries

داده ها را با طبقه بندی در دسته های مناسب خود قرار دهید Put Data into Their Right Categories with Classification

• چگونه قوانین طبقه بندی اشیاء را یاد بگیریم؟ How Do We Learn Rules to Classify Objects?

• درک رگرسیون لجستیک - اولین طبقه بندی کننده شما Understanding Logistic Regression – Your First Classifier

• استفاده از رگرسیون لجستیک برای طبقه بندی عنبیه Applying Logistic Regression to the Iris Classification Task

• بستن اولین خط لوله یادگیری ماشین با یک ارزیاب مدل ساده Closing Our First Machine Learning Pipeline with a Simple Model Evaluator

پیش بینی اعداد در آینده با رگرسیون Predict Numbers in the Future with Regression

• ایجاد فرمول هایی که آینده را پیش بینی می کند - نمونه ای از قیمت خانه Creating Formulas That Predict the Future – A House Price Example

• درک رگرسیون خطی - اولین رگرسیور شما Understanding Linear Regression – Your First Regressor

• استفاده از رگرسیون خطی برای کار قیمت خانه بوستون Applying Linear Regression to the Boston House Price Task

• ارزیابی پیش بینی های عددی با حداقل مربعات Evaluating Numerical Predictions with Least Squares

یادگیری بدون نظارت: بخش‌بندی گروه‌ها و تشخیص نقاط پرت Unsupervised Learning: Segmenting Groups and Detecting Outliers

• بررسی یادگیری بدون نظارت و سودمندی آن Exploring Unsupervised Learning and Its Usefulness

• یافتن گروه ها به صورت خودکار با K-means خوشه بندی Finding Groups Automatically with K-means Clustering

• کاهش تعداد متغیرها در داده های خود با PCA Reducing the Number of Variables in Your Data with PCA

• هیستوگرام های خود را با تخمین چگالی هسته صاف کنید Smooth out Your Histograms with Kernel Density Estimation

مدل سازی روابط پیچیده با مدل های غیرخطی Modeling Complex Relationships with Nonlinear Models

• ایجاد مدل های قابل توضیح با درختان تصمیم Create Explainable Models with Decision Trees

• با روابط غیرخطی با رگرسیون چند جمله ای مقابله کنید Deal with Nonlinear Relationships with Polynomial Regression

• با منظم سازی تعداد قوانین آموخته شده را کاهش دهید Reduce the Number of Learned Rules with Regularization

• مهندسی ویژگی های خودکار با ماشین های بردار پشتیبانی Automatic Feature Engineering with Support Vector Machines