آموزش یادگیری ماشین و مبانی هوش مصنوعی: مدل سازی طبقه بندی

Machine Learning and AI Foundations: Classification Modeling

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      توضیحات دوره: یک نوع مسئله کاملاً بر یادگیری ماشین و هوش مصنوعی مسلط است: طبقه بندی. طبقه بندی باینری ، روش غالب ، داده ها را به یکی از دو دسته طبقه بندی می کند: خرید یا عدم خرید ، تقلب یا عدم تقلب ، بیمار بودن یا نبودن ، و غیره این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی شده در نهایت مشکلات طبقه بندی هستند و دانشمندان چگونه می توانند استراتژی (یا استراتژی های) مناسبی را برای پروژه های خود انتخاب کنند. مربی کیت مک کورمیک با استفاده از تکنیک های آماری سنتی و یادگیری ماشین مدرن ، نقاط قوت و ضعف آنها را نشان می دهد. کیت توضیح می دهد که چگونه استراتژی طبقه بندی خود را تعریف کنید ، و به صراحت می گوید که انتخاب درست اغلب ترکیبی از رویکردها است. سپس ، او 11 الگوریتم مختلف برای ساخت مدل شما ، از تجزیه و تحلیل تفکیک گرفته تا رگرسیون لجستیک تا شبکه های عصبی مصنوعی را نشان می دهد. سرانجام ، بیاموزید که چگونه بر چالش هایی مانند مقابله با داده های از دست رفته و کاهش داده ها غلبه کنید.

      توجه: این آموزشها بر تئوری و کاربرد عملی الگوریتمهای طبقه بندی باینری متمرکز هستند. هیچ نرم افزاری برای پیگیری دوره لازم نیست.
      موضوعات شامل:
      • چرا به طبقه بندی نیاز دارید؟
      • الگوریتم های آماری در مقابل الگوریتم های یادگیری ماشین
      • تلفیق مدل ها با استفاده از گروه
      • چالش های مدل سازی طبقه بندی

      سرفصل ها و درس ها

      مقدمه Introduction

      • مشکلات طبقه بندی در یادگیری ماشین Classification problems in machine learning

      • آنچه باید بدانید What you should know

      • تعریف اصطلاحات Defining terms

      1. تصویر بزرگ: تعریف استراتژی طبقه بندی شما 1. The Big Picture: Defining Your Classification Strategy

      • اهمیت طبقه بندی دودویی The importance of binary classification

      • دودویی در مقابل چند قلو Binary vs. multinomial

      • تکنیک های به اصطلاح "جعبه سیاه" So-called “black box” techniques

      • یک کار ، بسیاری از الگوریتم ها One task, many algorithms

      • آمار در مقابل یادگیری ماشین Statistics vs. machine learning

      • ارزیابی مدل در مقابل ارزیابی تجارت Model assessment vs. business evaluation

      2. چگونه می توانم "برنده" انتخاب کنم؟ 2. How Do I Choose a "Winner"?

      • پارتیشن های آموزشی و تست Training and test partitions

      • نمودار آسانسور Lift Charts

      • جداول بدست می آورد Gains tables

      • ماتریس سردرگمی Confusion matrix

      3. الگوریتم های Parade 3. Algorithms on Parade

      • بررسی اجمالی Overview

      • تبعیض آمیز با سه دسته Discriminant with three categories

      • تبعیض آمیز با دو دسته Discriminant with two categories

      • مرحله به مرحله تبعیض آمیز Stepwise discriminant

      • رگرسیون لجستیک Logistic regression

      • رگرسیون لجستیک گام به گام Stepwise logistic regression

      • درختان تصمیم گیری Decision Trees

      • دانش KNN

      • SVM خطی Linear SVM

      • شبکه های عصبی Neural nets

      • شبکه های بیزی Bayesian networks

      • گروهها Ensembles

      4. چالش های مدل سازی مشترک 4. Common Modeling Challenges

      • دسته هدف نامتوازن Imbalanced target categories

      • فعل و انفعالات Interactions

      • داده موجود نیست Missing data

      • تجارت و واریانس تعاملی و اضافی Bias-variance trade-off and overfitting

      • کاهش داده ها Data reduction

      نتیجه Conclusion

      • مراحل بعدی Next steps

      نمایش نظرات

      آموزش یادگیری ماشین و مبانی هوش مصنوعی: مدل سازی طبقه بندی
      جزییات دوره
      2h
      31
      Linkedin (لینکدین) Linkedin (لینکدین)
      (آخرین آپدیت)
      55,092
      - از 5
      ندارد
      دارد
      دارد
      جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

      Google Chrome Browser

      Internet Download Manager

      Pot Player

      Winrar

      Keith McCormick Keith McCormick

      داده کاو ، مربی ، سخنران ، نویسنده کیت مک کورمیک یک کاوشگر اطلاعات ، مربی ، سخنران و نویسنده مستقل است.

      کیت در توضیح روشهای پیچیده برای کاربران جدید یا تصمیم گیرندگان در سطوح مختلف از جزئیات فنی مهارت دارد. وی متخصص در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی از جمله درختان طبقه بندی ، شبکه های عصبی ، مدل خطی کلی ، تجزیه خوشه و قوانین ارتباط است.