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 جنبه های مفهومی و عملی ساخت و ارزیابی مدل های یادگیری ماشین را به گونه ای که به طور منطقی از داده ها استفاده می کند ، پوشش می دهد ، در حالی که ملاحظاتی مانند ترتیب و روابط درون داده ها و سایر سوگیری ها را نیز در نظر گرفته است. این روزها مدیران ارشد در حال تبدیل شدن به نقش فزاینده ای مهم دانشمندان داده و متخصصان داده هستند. اکنون ، یک دیدگاه باید یک فرضیه را نشان دهد ، که به طور ایده آل با داده ها پشتیبانی می شود. در این دوره ، طراحی آزمایشی برای تجزیه و تحلیل داده ها ، شما توانایی ساخت چنین فرضیه هایی را از داده ها و استفاده از چارچوب های دقیق برای آزمایش درست بودن آنها بدست خواهید آورد. ابتدا یاد خواهید گرفت که چگونه آمار استنباطی و آزمون فرضیه اساس مدل سازی داده ها و یادگیری ماشین را تشکیل می دهند. در مرحله بعدی ، خواهید فهمید که روند ساخت مدل های یادگیری ماشین مانند طراحی آزمایش چگونه است و چگونه تکنیک های آموزش و اعتبارسنجی به ارزیابی دقیق نتایج چنین آزمایشاتی کمک می کنند. سپس ، شما با مطالعه اشکال مختلف اعتبارسنجی متقابل ، دوره را دور می زنید ، از جمله تکنیک های منفرد و تکراری برای کنار آمدن با داده های مستقل ، توزیع شده یکسان و داده های گروهی. سرانجام ، شما همچنین یاد خواهید گرفت که چگونه می توانید با استفاده از این تنظیمات با تنظیم hyperparameter مدل های خود را اصلاح کنید. پس از اتمام این دوره ، مهارت و دانش لازم برای ساخت و ارزیابی مدل ها ، به ویژه شامل مدل های یادگیری ماشین ، با استفاده از چارچوب های دقیق اعتبارسنجی صحیح و تنظیم فوق پارامتر را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
طراحی آزمایشی برای تجزیه و تحلیل داده ها
Designing an Experiment for Data Analysis
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
اتصال نقاط با داده
Connecting the Dots with Data
تست فرضیه
Hypothesis Testing
تست های T
T-tests
ANOVA
ANOVA
طراحی آزمایش یادگیری ماشین
Designing a Machine Learning Experiment
خلاصه
Summary
ساخت و آموزش مدل یادگیری ماشین
Building and Training a Machine Learning Model
بررسی اجمالی ماژول
Module Overview
شروع کار با Azure ML Studio
Getting Started with Azure ML Studio
بارگیری و تجسم داده ها
Loading and Visualizing Data
کاوش روابط در داده ها
Exploring Relationships in Data
پیش پردازش و آماده سازی داده ها
Preprocessing and Preparing Data
ساخت و آموزش مدل رگرسیون برای پیش بینی قیمت
Building and Training a Regression Model for Price Prediction
ساخت و آموزش مدل رگرسیون در پایتون
Building and Training a Regression Model in Python
خلاصه
Summary
درک و غلبه بر مشکلات رایج در مدل سازی داده ها
Understanding and Overcoming Common Problems in Data Modeling
بررسی اجمالی ماژول
Module Overview
بیش از حد و تکنیک های کاهش بیش از حد
Overfitting and Techniques to Mitigate Overfitting
دقت ، دقت و یادآوری
Accuracy, Precision, and Recall
منحنی ROC
The ROC Curve
آماده سازی و پردازش داده ها
Preparing and Processing Data
آموزش ساختمان و ارزیابی یک مدل طبقه بندی
Building Training and Evaluating a Classification Model
خلاصه
Summary
استفاده از استراتژی های مختلف اعتبار سنجی در مدل سازی داده ها
Leveraging Different Validation Strategies in Data Modeling
بررسی اجمالی ماژول
Module Overview
اعتبار سنجی متقابل در گردش کار ML
Cross-validation in the ML Workflow
اعتبار سنجی واحد
Singular Cross-validation
اعتبار سنجی متقابل با استفاده از Azure ML Studio
Cross-validation Using Azure ML Studio
اعتبار سنجی متقابل K و برابرها
K-fold Cross-validation and Variants
اعتبار سنجی متقابل K- برابر در یادگیری دقیق
K-fold Cross-validation in scikit-learn
اعتبار سنجی متقابل K-fold در یادگیری دقیق
Repeated K-fold Cross-validation in scikit-learn
اعتبار سنجی متقاطع K برابر در یادگیری دقیق
Stratified K-fold Cross-validation in scikit-learn
در یادگیری دقیق ، گروه K را برابر کنید
Group K-fold in scikit-learn
خلاصه
Summary
تنظیم ابر پارامترها با استفاده از امتیازات اعتبار سنجی
Tuning Hyperparameters Using Cross Validation Scores
بررسی اجمالی ماژول
Module Overview
تنظیم Hyperparameter
Hyperparameter Tuning
درختان تصمیم
Decision Trees
Hyperparameter تنظیم یک طبقه بندی جنگل تصمیم
Hyperparameter Tuning a Decision Forest Classifier
تنظیم و امتیاز دهی به چند مدل
Tuning and Scoring Multiple Models
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