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 طیف گسترده ای از تکنیک های مهم کاهش ابعاد و انتخاب ویژگی های موجود در یادگیری scikit را شامل می شود ، به سازندگان مدل اجازه می دهد تا با کاهش نصب بیش از حد ، صرفه جویی در وقت آموزش مدل و ... عملکرد مدل را بهینه کنند. این دوره بخشی از موارد زیر است: ساختن راه حل های یادگیری ماشین با مسیر یادگیری دقیق همه را بزرگ کنید بررسی اجمالی دوره 2 متر 13 ثانیه شروع کار با Feature Selection در یادگیری دقیق 1 ساعت و 5 دقیقه 48 ثانیه کاهش ابعاد در داده های خطی 42 متر 16s کاهش بعد در داده های غیر خطی دهه 38 متر علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
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
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
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
نظری ارسال نشده است.