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
-
خلاصه و مطالعه بیشتر
Summary and Further Study
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.
نمایش نظرات