آموزش تالیف مدل های یادگیری ماشینی از ابتدا [ویدئو]

Authoring Machine Learning Models from Scratch [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: راهنمای کامل یادگیری جزئیات الگوریتم های یادگیری ماشین با پیاده سازی آنها از ابتدا در پایتون. نحوه بارگیری داده ها، ارزیابی مدل ها و پیاده سازی مجموعه ای از الگوریتم های برتر یادگیری ماشین را با استفاده از آموزش های گام به گام کشف خواهید کرد. الگوریتم‌های یادگیری ماشینی دارای ریاضیات و تئوری زیادی هستند، اما لازم نیست بدانید که چرا الگوریتم‌ها کار می‌کنند تا بتوانید آنها را پیاده‌سازی کنید و برای دستیابی به نتایج واقعی و ارزشمند به کار ببرید. در این دوره یاد می گیرید که چگونه از فایل های CSV بارگذاری کنید و داده ها را برای مدل سازی آماده کنید. نحوه انتخاب معیارهای ارزیابی الگوریتم و تکنیک‌های نمونه‌گیری مجدد برای مهار تست. چگونه یک انتظار پایه از عملکرد برای یک مشکل مشخص ایجاد کنیم. نحوه پیاده سازی و اعمال مجموعه ای از الگوریتم های یادگیری ماشین خطی؛ نحوه پیاده سازی و اعمال مجموعه ای از الگوریتم های پیشرفته یادگیری ماشین غیرخطی؛ نحوه پیاده سازی و اعمال الگوریتم های یادگیری ماشین مجموعه ای برای بهبود عملکرد. این دوره راهنمای ارزشمندی برای درک مدل‌های یادگیری ماشینی در دنیای واقعی خواهد بود و به شما در درک کدهای ریاضی کمک می‌کند. در پایان این دوره، بینشی در مورد مدل های یادگیری ماشین در دنیای واقعی به دست خواهید آورد و یاد خواهید گرفت که چگونه عملکردهای پرکاربردترین ابزارها در یادگیری ماشین را کدنویسی کنید. بسته کد کامل برای این دوره در https://github.com/PacktPublishing/Authoring-Machine-Learning-Models-from-Scratch موجود است. کدنویسی توابع پرکاربردترین ابزارها در یادگیری ماشین را یاد بگیرید بینشی به دست آورید که مدل های یادگیری ماشینی در دنیای واقعی نوشته شده اند درک عمیقی از نحوه عملکرد الگوریتم به دست آورید مجموعه ای از الگوریتم های یادگیری ماشین خطی را پیاده سازی و اعمال کنید مجموعه‌ای از الگوریتم‌های پیشرفته غیرخطی ML را پیاده‌سازی و اعمال کنید این دوره برای توسعه‌دهندگان، مهندسان یادگیری ماشین و دانشمندان داده است که می‌خواهند بیاموزند چگونه بیشترین بهره را از Keras ببرند. نیازی نیست که شما یک متخصص یادگیری ماشین باشید، اما اگر بدانید چگونه با استفاده از SciKit-Learn یک مشکل کوچک یادگیری ماشینی را حل کنید، مفید خواهد بود. علاوه بر این، شما باید یک پس زمینه قوی در پایتون داشته باشید. بدانید که چگونه الگوریتم‌های برتر یادگیری ماشین در داخل کار می‌کنند * پیکربندی الگوریتم‌های یادگیری ماشین را بیاموزید تا بیشترین بهره را از آنها ببرید.

سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • این دوره چیست ... دقیقا؟ What is this Course...Exactly?

  • نتایج دوره Course Outcomes

  • ساختار دوره Course Structure

  • الگوریتم در برنامه نویسی چیست؟ What is an Algorithm in Programming?

آماده سازی داده ها Data Preparation

  • بارگیری داده ها از یک فایل CSV Loading Data from a CSV File

  • مقیاس داده های خود را: عادی سازی Scale Your Data: Normalization

  • مقیاس داده های خود را: استانداردسازی Scale Your Data: Standardization

  • روشهای ارزیابی الگوریتم Algorithm Evaluation Methods

  • تقسیم قطار-تست Train-Test Split

  • K-Fold Cross-Validation تعریف شده است K-Fold Cross-Validation Defined

  • K-Fold Cross-Validation K-Fold Cross-Validation

  • انتخاب روش نمونه گیری مجدد Choosing a Resampling Method

  • معیارهای ارزیابی Evaluation Metrics

  • دقت طبقه بندی Classification Accuracy

  • ماتریس سردرگمی Confusion Matrix

  • معیارهای رگرسیون Regression Metrics

  • مدل های پایه Baseline Models

  • الگوریتم پیش بینی تصادفی Random Prediction Algorithm

  • الگوریتم قانون صفر Zero Rule Algorithm

الگوریتم های خطی Linear Algorithms

  • مهار تست الگوریتم - Train-Test-Split Algorithm Test Harness - Train-Test-Split

  • مهار تست الگوریتم - K-Fold Algorithm Test Harness - K-Fold

  • رگرسیون خطی ساده Simple Linear Regression

  • مطالعه موردی رگرسیون خطی ساده: بخش 1 Simple Linear Regression Case Study: Part 1

  • مطالعه موردی رگرسیون خطی ساده: بخش 2 Simple Linear Regression Case Study: Part 2

  • مطالعه موردی رگرسیون خطی چند متغیره Multivariate Linear Regression Case Study

  • نسخه ی نمایشی: مطالعه موردی رگرسیون خطی چند متغیره Demo: Multivariate Linear Regression Case Study

  • نسخه ی نمایشی: رگرسیون خطی در مجموعه داده های کیفیت شراب Demo: Linear Regression on Wine Quality Dataset

  • رگرسیون لجستیک تعریف شده است Logistic Regression Defined

  • نسخه ی نمایشی: رگرسیون لجستیک: پیش بینی کنید Demo: Logistic Regression: Make Predictions

  • نسخه ی نمایشی: رگرسیون لجستیک: تخمین ضرایب Demo: Logistic Regression: Estimating Coefficients

  • نسخه آزمایشی: رگرسیون لجستیک: مجموعه داده دیابت Demo: Logistic Regression: Diabetes Dataset

  • پرسپترون Perceptron

  • نسخه ی نمایشی: Perceptron: پیش بینی کنید Demo: Perceptron: Make Predictions

  • نسخه ی نمایشی: Perceptron: Training Weights Demo: Perceptron: Training Weights

  • نسخه آزمایشی: Perceptron: Sonar Dataset Demo: Perceptron: Sonar Dataset

رگرسیون غیر خطی Non-Linear Regression

  • درختان طبقه بندی و رگرسیون Classification and Regression Trees

  • نسخه ی نمایشی: سبد خرید: ایجاد شاخص جینی Demo: CART: Creating the Gini Index

  • نسخه ی نمایشی: سبد خرید: ایجاد انشعابات Demo: CART: Creating the Splits

  • نسخه ی نمایشی: سبد خرید: ارزیابی تقسیمات Demo: CART: Evaluating the Splits

  • سبد خرید: ساختن درخت CART: Building the Tree

  • نسخه ی نمایشی: سبد خرید: تقسیم بازگشتی Demo: CART: Recursive Splitting

  • نسخه ی نمایشی: سبد خرید: جمع آوری درخت Demo: CART: Assembling the Tree

  • نسخه ی نمایشی: سبد خرید: مجموعه داده های سبد خرید به اسکناس Demo: CART: CART to Banknote Dataset

  • بیز ساده لوح Naïve Bayes

  • نسخه ی نمایشی: Naïve Bayes: Separate by Class Demo: Naïve Bayes: Separate by Class

  • نسخه ی نمایشی: Naïve Bayes: مجموعه داده را خلاصه کنید Demo: Naïve Bayes: Summarize the Dataset

  • نسخه ی نمایشی: بیز ساده: خلاصه داده ها بر اساس کلاس Demo: Naïve Bayes: Summarize Data by Class

نمایش نظرات

نظری ارسال نشده است.

آموزش تالیف مدل های یادگیری ماشینی از ابتدا [ویدئو]
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
1 h 31 m
48
Packtpub packtpub-small
02 آذر 1400 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
1
5 از 5
ندارد
دارد
دارد
Mike West

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar