آموزش ویژگی های ساختمان از داده های عددی

Building Features from Numeric Data

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره به طور جامع تکنیک های پیش پردازش داده ها را تحت پوشش قرار داده و دگرگونی های موجود در یادگیری ناگهانی را فراهم می کند ، و امکان ساخت ویژگی های بسیار بهینه شده را فراهم می کند که به صورت کاملاً ریاضی مقیاس بندی شده ، عادی شده و تبدیل می شوند ... کیفیت پیش پردازش داده های عددی تحت تعیین کننده مهم نتایج مدلهای یادگیری ماشین که با استفاده از آن داده ها ساخته شده اند. با پیش پردازش داده های هوشمند و بهینه ، می توانید آموزش و اعتبارسنجی مدل را به میزان قابل توجهی تسریع کرده ، هم در وقت و هم در هزینه صرفه جویی کنید و هم عملکرد مدل را در پیش بینی بسیار بهبود بخشید. در این دوره ، Building Features from Numeric Data ، شما توانایی طراحی و اجرای خطوط لوله پیش پردازش داده های موثر و ریاضی را خواهید داشت. ابتدا اهمیت عادی سازی ، استاندارد سازی و مقیاس گذاری را خواهید فهمید ، و می توانید از شهود و مکانیک اصلاح گرایش مرکزی و همچنین پراکندگی یک ویژگی داده مطلع شوید. در مرحله بعدی ، شما نحوه شناسایی و مقابله با داده های دور از دسترس و احتمالاً غیر عادی را کشف خواهید کرد. سپس تکنیک های مهم مقیاس گذاری و عادی سازی را فرا خواهید گرفت. چنین تکنیک هایی ، به ویژه عادی سازی با استفاده از هنجار L1 ، هنجار L2 و حداکثر ، به دنبال تبدیل بردارهای ویژگی به اندازه یکنواخت هستند. چنین تکنیک هایی کاربرد گسترده ای در ساخت مدل ML دارند - به عنوان مثال در محاسبه شباهت کسینوس به وکتور سند ، و در تبدیل تصاویر قبل از اینکه تکنیک هایی مانند شبکه های عصبی کانولوشن روی آنها اعمال شود. سپس از نرمال سازی و استاندارد سازی به مقیاس گذاری و تبدیل داده ها خواهید رفت. چنین تحولاتی شامل کوانته سازی و همچنین ساخت ترانسفورماتورهای سفارشی برای موارد استفاده سفارشی است. سرانجام ، شما نحوه اجرای تحولات ورود به سیستم و قدرت را کشف خواهید کرد. شما با مقایسه نتایج سه تغییر مهم - تبدیل Yeo-Johnson ، تبدیل Box-Cox و تغییر اندازه - در تبدیل داده ها با ویژگی های غیر نرمال ، مانند داده های chi-square یا lognormal ، دوره را دور می زنید. شکل منحنی زنگ آشنا است که بسیاری از مدل ها با آن بهترین کار را دارند. وقتی این دوره را به پایان رسانید ، مهارت و دانش پیش پردازش داده و تبدیل مورد نیاز برای بهره گیری بهتر از مدلهای یادگیری ماشین خود را خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

استفاده از داده های عددی در الگوریتم های یادگیری ماشین Using Numeric Data in Machine Learning Algorithms

  • بررسی اجمالی ماژول Module Overview

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • مقیاس گذاری و استاندارد سازی Scaling and Standardization

  • میانگین ، واریانس و انحراف معیار Mean, Variance, and Standard Deviation

  • درک واریانس Understanding Variance

  • نسخه ی نمایشی: محاسبه میانگین ، واریانس و انحراف معیار Demo: Calculating Mean, Variance, and Standard Deviation

  • نسخه ی نمایشی: تجسم نمودار طرح و استاندارد سازی داده ها Demo: Box Plot Visualization and Data Standardization

  • مقیاس پذیر استاندارد Standard Scaler

  • نسخه ی نمایشی: با استفاده از تابع مقیاس داده ها را استاندارد کنید Demo: Standardize Data Using the Scale Function

  • نسخه ی نمایشی: با استفاده از برآوردگر مقیاس استاندارد ، داده ها را استاندارد کرده و تصحیح ظروف را اعمال کنید Demo: Standardize Data Using the Standard Scalar Estimator and Apply Bessels Correction

  • مقیاس قوی Robust Scaler

  • نسخه ی نمایشی: مقیاس گذاری داده ها با استفاده از مقیاس کش قوی Demo: Scaling Data Using the Robust Scaler

  • خلاصه Summary

ویژگی های ساختمان با استفاده از عادی سازی Building Features Using Normalization

  • بررسی اجمالی ماژول Module Overview

  • نرمال سازی چیست؟ What Is Normalization?

  • عادی سازی و تشابه کسینوس Normalization and Cosine Similarity

  • نسخه ی نمایشی: شباهت کسینوس و هنجار L2 Demo: Cosine Similarity and the L2 Norm

  • نسخه ی نمایشی: عادی سازی داده ها برای ساده سازی محاسبات شباهت کسینوس Demo: Normalizing Data to Simplify Cosine Similarity Calculations

  • نسخه ی نمایشی: K به معنی خوشه بندی با تشابه کسینوس است Demo: K-means Clustering with Cosine Similarity

  • هنجارهای L1 ، L2 و Max L1, L2 and Max Norms

  • نسخه ی نمایشی: نرمال سازی با استفاده از هنجارهای L1 ، L2 و Max Demo: Normalization Using L1, L2 and Max Norms

  • خلاصه Summary

ویژگی های ساختمان با استفاده از مقیاس گذاری و تحولات Building Features Using Scaling and Transformations

  • بررسی اجمالی ماژول Module Overview

  • تبدیل داده های پیوسته به دسته ای Converting Continuous Data to Categorical

  • نسخه ی نمایشی: تبدیل داده های عددی به دسته های باینری با استفاده از Binarizer Demo: Convert Numeric Data to Binary Categories Using a Binarizer

  • نسخه ی نمایشی: استفاده از KBinsDiscretizer برای دسته بندی مقادیر عددی Demo: Using the KBinsDiscretizer to Categorize Numeric Values

  • نسخه ی نمایشی: استفاده از مقادیر Bin برای پرچم گذاری پرتگاه ها Demo: Using Bin Values to Flag Outliers

  • مقیاس گذاری داده ها Scaling Data

  • نسخه ی نمایشی: مقیاس بندی با MaxAbsScaler Demo: Scaling with the MaxAbsScaler

  • نسخه ی نمایشی: مقیاس بندی با MinMaxScaler Demo: Scaling with the MinMaxScaler

  • تحولات سفارشی Custom Transformations

  • نسخه ی نمایشی: انجام تغییر شکل های سفارشی با استفاده از FunctionTransformer Demo: Performing Custom Transforms Using the FunctionTransformer

  • تولید ویژگی های چند جمله ای Generating Polynomial Features

  • نسخه ی نمایشی: استفاده از ویژگی های چند جمله ای برای تبدیل داده ها Demo: Using Polynomial Features to Transform Data

  • تبدیل ویژگی ها به توزیع های شبیه Gaussian با استفاده از ترانسفورماتورهای قدرت Transforming Features to Gaussian-like Distributions Using Power Transformers

  • نسخه ی نمایشی: کار با ویژگی های ورودی توزیع شده Chi Squared Demo: Working with Chi Squared Distributed Input Features

  • نسخه ی نمایشی: استفاده از ترانسفورماتورهای قدرت برای دریافت توزیع های عادی Demo: Applying Power Transformers to Get Normal Distributions

  • تبدیل داده ها به توزیع های عادی یا یکنواخت با استفاده از ترانسفورماتورهای Quantile Transforming Data to Normal or Uniform Distributions Using Quantile Transformers

  • نسخه ی نمایشی: در حال تبدیل شدن به یک توزیع عادی با استفاده از QuantileTransformer Demo: Tranforming to a Normal Distribution Using the QuantileTransformer

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

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.

آموزش ویژگی های ساختمان از داده های عددی
جزییات دوره
2h 25m
41
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
15
5 از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.