Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره شامل چندین تکنیک مهم است که برای پیاده سازی طبقه بندی در یادگیری دقیق استفاده می شود ، شروع با رگرسیون لجستیک ، رفتن به تجزیه و تحلیل متمایز ، Naive Bayes و استفاده از درختان تصمیم ، و سپس حتی پیشرفته تر ... شاید ابتدایی ترین پیشرفت ها در یادگیری ماشین از استفاده از یادگیری ماشین به مشکلات طبقه بندی آمده است. در این دوره ، Building Classels Models with scikit-learn شما توانایی برشمردن انواع مختلف الگوریتم های طبقه بندی و پیاده سازی صحیح آنها را در scikit-learn خواهید داشت. در ابتدا ، شما می آموزید که طبقه بندی به دنبال چه چیزی است و چگونه می توان طبقه بندی کننده ها را با استفاده از منحنی های دقت ، دقت ، فراخوانی و ROC ارزیابی کرد. در مرحله بعدی ، شما خواهید فهمید که چگونه روشهای مختلف طبقه بندی مانند رگرسیون لجستیک و طبقه بندی Naive Bayes را پیاده سازی کنید. سپس فرم های پیشرفته تر طبقه بندی دیگر را درک خواهید کرد ، از جمله مواردی که از ماشین های بردار پشتیبانی ، درخت های تصمیم گیری و نزول گرادیان تصادفی استفاده می کنند. سرانجام ، شما با درک بیش از حد پارامترهایی که این مدل های مختلف طبقه بندی دارند و نحوه بهینه سازی آنها ، دوره را دور می زنید. وقتی این دوره را به پایان رسانید ، مهارت و دانش لازم برای انتخاب الگوریتم طبقه بندی صحیح را بر اساس مسئله ای که می خواهید حل کنید و همچنین اجرای صحیح آن با استفاده از scikit-learn را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
درک طبقه بندی به عنوان یک مسئله یادگیری ماشین
Understanding Classification as a Machine Learning Problem
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
طبقه بندی به عنوان یک مسئله یادگیری ماشین
Classification as a Machine Learning Problem
شهود رگرسیون لجستیک
Logistic Regression Intuition
کراس آنتروپی شهود
Cross Entropy Intuition
دقت ، دقت و یادآوری
Accuracy, Precision, and Recall
تعیین آستانه تصمیم گیری با استفاده از منحنی های ROC
Determining Decision Threshold Using ROC Curves
انواع طبقه بندی
Types of Classification
خلاصه ماژول
Module Summary
ساخت یک مدل طبقه بندی ساده
Building a Simple Classification Model
بررسی اجمالی ماژول
Module Overview
نصب و تنظیم scikit-learn
Installing and Setting up scikit-learn
کاوش مجموعه داده تایتانیک
Exploring the Titanic Dataset
تجسم روابط در داده ها
Visualizing Relationships in the Data
پیش پردازش داده ها
Preprocessing the Data
آموزش طبقه بندی باینری رگرسیون لجستیک
Training a Logistic Regression Binary Classifier
محاسبه دقت ، دقت و فراخوان برای مدل طبقه بندی
Calculating Accuracy, Precision and Recall for the Classification Model
تعریف توابع کمکی برای آموزش و ارزیابی مدلهای طبقه بندی
Defining Helper Functions to Train and Evaluate Classification Models
خلاصه ماژول
Module Summary
انجام طبقه بندی با استفاده از چندین تکنیک
Performing Classification Using Multiple Techniques
بررسی اجمالی ماژول
Module Overview
انتخاب الگوریتم های طبقه بندی
Choosing Classification Algorithms
تجزیه و تحلیل خطی و تبعیض آمیز درجه دوم
Linear Discriminant Analysis and Quadratic Discriminant Analysis
اجرای طبقه بندی تجزیه و تحلیل خطی خطی
Implementing Linear Discriminant Analysis Classification
اجرای طبقه بندی تجزیه و تحلیل درجه دوم
Implementing Quadratic Discriminant Analysis Classification
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.
نمایش نظرات