آموزش یادگیری ماشین کاربردی: تخمین ارزش - آخرین آپدیت

دانلود Applied Machine Learning: Value Estimation

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره، مت هریسون (مربی سازمانی پایتون و علوم داده، نویسنده و مشاور)، بر ساخت و استقرار مدل‌های تخمین ارزش با استفاده از پایتون و یادگیری ماشین تمرکز می‌کند. بیاموزید چگونه از رگرسیون خطی (Linear Regression) و XGBoost برای پیش‌بینی ارزش خانه‌ها بر اساس ویژگی‌ها و موقعیت مکانی آن‌ها استفاده کنید. در این دوره به بررسی عمیق اکتشاف داده‌ها، پیش‌پردازش و تکنیک‌های ارزیابی بپردازید و با آموزش مدل‌های ساده و پیشرفته، دنیای یادگیری ماشین را تجربه کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • پیش‌نیازها و نکاتی که باید بدانید What you should know

  • نحوه استفاده از Codespaces How to use Codespaces

  • شایان توجه: قدرت تخمین ارزش Worth a look: The power of value estimation

1. آشنایی با تخمین ارزش با یادگیری ماشین (ML) 1. Introducing Value Estimation with Machine Learning (ML)

  • اکتشاف و پاک‌سازی داده‌ها Data exploration and cleaning

  • راهکار: بارگذاری، اکتشاف و پاک‌سازی داده‌ها Solution: Load, explore, and clean data

  • نمای کلی تخمین ارزش Overview of value estimation

  • چالش: بارگذاری، اکتشاف و پاک‌سازی داده‌ها Challenge: Load, explore, and clean data

2. ساخت مدل رگرسیون خطی 2. Building a Linear Regression Model

  • آموزش مدل: رگرسیون خطی Train model: Linear regression

  • راهکار: پیاده‌سازی مدل رگرسیون خطی Solution: Implement a linear regression model

  • ارزیابی مدل: رگرسیون خطی Evaluate model: Linear regression

  • نمای کلی مدل‌های رگرسیون خطی Overview of linear regression models

  • چالش: پیاده‌سازی مدل رگرسیون خطی Challenge: Implement a linear regression model

  • پیش‌بینی با رگرسیون خطی Make predictions: Linear regression

3. ساخت مدل XGBoost 3. Building an XGBoost Model

  • چالش: پیاده‌سازی مدل XGBoost Challenge: Implement an XGBoost model

  • راهکار: پیاده‌سازی مدل XGBoost Solution: Implement an XGBoost model

  • پیش‌بینی با XGBoost Make predictions: XGBoost

  • آموزش مدل: XGBoost Train a model: XGBoost

  • نمای کلی مدل‌های XGBoost Overview of XGBoost models

  • ارزیابی مدل: XGBoost Evaluate a model: XGBoost

4. استقرار مدل 4. Deployment

  • راهکار: استقرار مدل XGBoost Solution: Deploy the XGBoost model

  • ارائه و سرو مدل Serving the model

  • چالش: استقرار مدل XGBoost Challenge: Deploy the XGBoost model

  • نمای کلی MLflow MLflow overview

جمع‌بندی Conclusion

  • گام‌های بعدی در مسیر یادگیری تخمین ارزش با ماشین لرنینگ Next steps in your machine learning value estimation journey

نمایش نظرات

آموزش یادگیری ماشین کاربردی: تخمین ارزش
جزییات دوره
1h 52m
24
(آخرین آپدیت)
2,012
- از 5
ندارد
دارد
دارد
Matt Harrison
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Matt Harrison Matt Harrison

مربی، نویسنده، سخنران، مشاور شرکت پایتون و علوم داده

مت هریسون مربی، نویسنده، سخنران، مشاور و مشاور پایتون و علوم داده شرکتی است.


> مت به تیم ها کمک می کند تا با استفاده از سال ها تجربه در محل کار و کلاس درس، مهارت های پایتون، علوم داده و توسعه خود را به سرعت ارتقا دهند. نویسنده و مدرس مطالب یادگیری پایتون و روش های علم داده، سخنران و ارائه کننده کنفرانس های فنی مختلف در سراسر جهان بوده است. در طول سال‌ها، او به عنوان مربی، مشاور و مشاور شرکت‌های جهانی مانند HP، Adobe، Cisco، Samsung و Qualcomm و همچنین شرکت‌های کوچک‌تری مانند Instructure و Fusion-IO کار کرده است.