آموزش ساخت مدل های طبقه بندی با یادگیری دقیق

Building Classification Models with scikit-learn

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

  • نزول گرادیان تصادفی Stochastic Gradient Descent

  • پیاده سازی طبقه بندی نزول شیب تصادفی Implementing Stochastic Gradient Descent Classification

  • پشتیبانی از ماشین های برداری Support Vector Machines

  • پیاده سازی طبقه بندی بردار پشتیبانی Implementing Support Vector Classification

  • نزدیکترین همسایگان Nearest Neighbors

  • پیاده سازی طبقه بندی K نزدیکترین همسایگان Implementing K-nearest-neighbors Classification

  • درختان تصمیم Decision Trees

  • اجرای طبقه بندی درخت تصمیم Implementing Decision Tree Classification

  • ساده لوح بیز Naive Bayes

  • اجرای طبقه بندی Naive Bayes Implementing Naive Bayes Classification

  • خلاصه ماژول Module Summary

تنظیم Hyperparameter برای مدل های طبقه بندی Hyperparameter Tuning for Classification Models

  • بررسی اجمالی ماژول Module Overview

  • تنظیم Hyperparameter Hyperparameter Tuning

  • Hyperparameter تنظیم یک طبقه بندی درخت تصمیم با استفاده از جستجوی شبکه Hyperparameter Tuning a Decision Tree Clasifier Using Grid Search

  • Hyperparameter تنظیم یک طبقه بندی رگرسیون لجستیک با استفاده از جستجوی شبکه Hyperparameter Tuning a Logistic Regression Classifier Using Grid Search

  • خلاصه ماژول Module Summary

استفاده از مدل های طبقه بندی بر روی تصاویر و داده های متنی Applying Classification Models to Images and Text Data

  • بررسی اجمالی ماژول Module Overview

  • نمایش تصاویر به عنوان ماتریس Representing Images as Matrices

  • بررسی مجموعه داده های MNIST مد Exploring the Fashion MNIST Dataset

  • طبقه بندی تصاویر با استفاده از رگرسیون لجستیک Classifying Images Using Logistic Regression

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.

آموزش ساخت مدل های طبقه بندی با یادگیری دقیق
جزییات دوره
2h 33m
45
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
31
4.6 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.