آموزش کاهش ابعاد داده با scikit-learn

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

شروع کار با Feature Selection در یادگیری دقیق Getting Started with Feature Selection in scikit-learn

• بررسی اجمالی ماژول Module Overview

• پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

• نفرین بعد The Curse of Dimensionality

• مدل های بیش از حد و پراکندگی داده ها Overfitted Models and Data Sparsity

• کاوش تکنیک های کاهش ابعاد Exploring Techniques for Reducing Dimensions

• نسخه ی نمایشی: بررسی مجموعه طبقه بندی Demo: Exploring the Classification Dataset

• نسخه ی نمایشی: انجام طبقه بندی با همه ویژگی ها Demo: Performing Classification with All Features

• نسخه ی نمایشی: کاوش در مجموعه داده های رگرسیون Demo: Exploring the Regression Dataset

• نسخه ی نمایشی: انجام رگرسیون سینک ظرفشویی آشپزخانه با استفاده از تکنیک های ML و Non-ML Demo: Performing Kitchen Sink Regression Using ML and Non-ML Techniques

• انتخاب ویژگی ها و یادگیری فرهنگ لغت Feature Selection and Dictionary Learning

• نسخه ی نمایشی: استفاده از آزمونهای رگرسیون خطی تک متغیره برای انتخاب ویژگی ها Demo: Using Univariate Linear Regression Tests to Select Features

• نسخه ی نمایشی: تعریف توابع کمکی برای ساخت و آموزش چندین مدل با ویژگی های مختلف آموزشی Demo: Defining Helper Functions to Build and Train Multiple Models with Different Training Features

• نسخه ی نمایشی: یافتن بهترین ارزش K Demo: Finding the Best Value of K

• نسخه ی نمایشی: استفاده از اطلاعات متقابل برای انتخاب ویژگی ها Demo: Using Mutual Information to Select Features

• نسخه ی نمایشی: یادگیری فرهنگ لغت برای یافتن نمایش های پراکنده داده ها Demo: Dictionary Learning to Find Sparse Representations of Data

• خلاصه Summary

کاهش ابعاد در داده های خطی Dimensionality Reduction in Linear Data

• بررسی اجمالی ماژول Module Overview

• شهود تجزیه و تحلیل مonلفه های اصلی The Intuition Behind Principal Components Analysis

• نسخه ی نمایشی: در حال انجام تحلیل اجزای اصلی Demo: Implementing Principal Component Analysis

• نسخه ی نمایشی: ساخت مدل های رگرسیون با اجزای اصلی Demo: Building Regression Models with Principal Components

• تحلیل عاملی با استفاده از تجزیه ارزش واحد Factor Analysis Using Singular Value Decomposition

• نسخه ی نمایشی: اجرای تحلیل فاکتور Demo: Implementing Factor Analysis

• تجزیه و تحلیل خطی تبعیض آمیز برای کاهش ابعاد Linear Discriminant Analysis for Dimensionality Reduction

• نسخه ی نمایشی: مشاهده مرزهای تفکیک طبقاتی در مجموعه داده های Iris Demo: Observing Class Seperation Boundaries on the Iris Dataset

• نسخه ی نمایشی: تجزیه و تحلیل خطی تبعیض برای طبقه بندی Demo: Linear Discriminant Analysis for Classification

• خلاصه Summary

کاهش بعد در داده های غیر خطی Dimensionality Reduction in Non-linear Data

• بررسی اجمالی ماژول Module Overview

• فرضیه چندگانه و یادگیری منیفولد The Manifold Hypothesis and Manifold Learning

• نسخه ی نمایشی: تولید منیفولد منحنی S و توابع کمکی Setup Demo: Generate S-curve Manifold and Setup Helper Functions

• نسخه ی نمایشی: مقیاس گذاری چند بعدی متریک و غیر متریک Demo: Metric and Non-metric Multi Dimensional Scaling

• نسخه ی نمایشی: یادگیری منیفولد با استفاده از Spectral Embedding TSNE و Isomap Demo: Manifold Learning Using Spectral Embedding TSNE and Isomap

• نسخه ی نمایشی: آموزش منیفولد با جاسازی محلی به صورت خطی Demo: Manifold Learning with Locally Linear Embedding

• نسخه ی نمایشی: آماده سازی تصاویر برای اعمال یادگیری چند برابر برای کاهش ابعاد Demo: Preparing Images to Apply Manifold Learning for Dimensionality Reduction

• نسخه ی نمایشی: یادگیری چندگانه با ارقام دست نویس Demo: Manifold Learning with Handwritten Digits

• نسخه ی نمایشی: آماده سازی مجموعه داده های Olivetti Faces برای یادگیری چندگانه Demo: Preparing the Olivetti Faces Dataset for Manifold Learning

• نسخه ی نمایشی: آموزش چندگانه در مجموعه داده های چهره های Olivetti Demo: Manifold Learning on Olivetti Faces Dataset

• خلاصه و مطالعه بیشتر Summary and Further Study