آموزش ساخت مدلهای یادگیری ماشین در پایتون با یادگیری دقیق

Building Machine Learning Models in Python with scikit-learn

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 ویدیویی برای نمایش وجود ندارد.
      توضیحات دوره: این دوره به مهندسان و دانشمندان داده کمک خواهد کرد تا یاد بگیرند که چگونه مدلهای یادگیری ماشین را با استفاده از scikit-learn ، یکی از مشهورترین کتابخانه های ML در پایتون بسازند. بدون تجربه قبلی با ML ، فقط دانش اولیه برنامه نویسی پایتون لازم است. کتابخانه یادگیری پایتون برای ساخت مدل های سنتی ML بسیار محبوب است ، یعنی مدل هایی که به شبکه های عصبی اعتماد ندارند. در این دوره ، ساخت مدل های یادگیری ماشین در پایتون با یادگیری scikit ، خواهید دید که چگونه با scikit-learn کار کنید و چگونه می توان از آن برای ساخت انواع مدل های یادگیری ماشین استفاده کرد. ابتدا یاد خواهید گرفت که چگونه از کتابخانه ها برای کار با متن مداوم ، دسته بندی شده و همچنین داده های تصویری استفاده کنید. بعد ، شما خواهید دید که چطور مدل های رگرسیون تخصصی مانند Lasso و Ridge regression را با استفاده از کتابخانه های یادگیری scikit یاد بگیرید ، فراتر از مدل های معمول رگرسیون می روید. سرانجام ، علاوه بر تکنیک های یادگیری تحت نظارت ، شما همچنین مدل های بدون نظارت مانند خوشه بندی با استفاده از الگوریتم تغییر میانگین و کاهش بعد با استفاده از تجزیه و تحلیل ملفه های اصلی را درک و پیاده سازی می کنید. در پایان این دوره ، شما درک خوبی از جوانب مثبت و منفی مدلهای مختلف رگرسیون ، طبقه بندی و یادگیری بدون نظارت را خواهید داشت و با استفاده از کتابخانه یادگیری مداوم پایتون برای ساخت و آموزش مدلهای خود بسیار راحت خواهید بود. نرم افزار مورد نیاز: scikit-learn ، Python 3.x.

      سرفصل ها و درس ها

      بررسی اجمالی دوره Course Overview

      • بررسی اجمالی دوره Course Overview

      پردازش داده ها با یادگیری دقیق Processing Data with scikit-learn

      • بررسی اجمالی ماژول Module Overview

      • پیش نیازها و بررسی اجمالی دوره Prerequisites and Course Overview

      • یادگیری ماشینی از موارد استفاده کنید و یادگیری دقیق کنید Machine Learning Use Cases and scikit-learn

      • تکنیک های یادگیری تحت نظارت و بدون نظارت Supervised and Unsupervised Learning Techniques

      • نسخه ی نمایشی: بسته های مفید پایتون Demo: Useful Python Packages

      • میانگین و واریانس Mean and Variance

      • نسخه ی نمایشی: مقیاس گذاری داده های عددی Demo: Scaling Numeric Data

      • داده های دسته بندی شده و رمزگذاری یک بار داغ Categorical Data and One-hot Encoding

      • نسخه ی نمایشی: نمایش داده های دسته ای به صورت عددی Demo: Representing Categorical Data in Numeric Form

      • متن را به صورت عددی نشان می دهد Representing Text in Numeric Form

      • رمزگذاری مبتنی بر فرکانس: بردارها را بشمارید Frequency Based Encoding: Count Vectors

      • رمزگذاری مبتنی بر فرکانس: TF/IDF Frequency Based Encoding: TF/IDF

      • نسخه ی نمایشی: CountVectorizers ، TfidfVectorizer ، HashingVectorizer Demo: CountVectorizers, TfidfVectorizer, HashingVectorizer

      • نمایش تصاویر به صورت عددی Representing Images in Numeric Form

      • نسخه ی نمایشی: استخراج ویژگی ها از تصاویر Demo: Extracting Features from Images

      ساخت مدلهای ویژه رگرسیون در یادگیری دقیق Building Specialized Regression Models in scikit-learn

      • بررسی اجمالی ماژول Module Overview

      • رگرسیون حداقل مربع معمولی Ordinary Least Square Regression

      • اندازه گیری تناسب با استفاده از مربع R Measuring Fit Using R-squared

      • نسخه ی نمایشی: آماده سازی داده ها Demo: Data Preparation

      • نسخه ی نمایشی: رگرسیون خطی با استفاده از برآوردگرها Demo: Linear Regression Using Estimators

      • L1 و L2 Norm L1 and L2 Norm

      • Overfitting و Bias-variance Trade-off Overfitting and The Bias-variance Trade-off

      • چند خطی در رگرسیون Multicollinearity in Regression

      • رگرسیون Lasso و Ridge Lasso and Ridge Regression

      • نسخه ی نمایشی: رگرسیون لاسو Demo: Lasso Regression

      • نسخه ی نمایشی: رگرسیون ریج Demo: Ridge Regression

      • از رگرسیون برداری پشتیبانی کنید Support Vector Regression

      • نسخه ی نمایشی: از رگرسیون برداری پشتیبانی کنید Demo: Support Vector Regression

      • نسخه ی نمایشی: پنالتی کاهش یافته SVR Demo: SVR Reduced Penalty

      ساخت مدل های SVM و Gradient Boosting در یادگیری دقیق Building SVM and Gradient Boosting Models in scikit-learn

      • بررسی اجمالی ماژول Module Overview

      • پشتیبانی از ماشین های برداری برای طبقه بندی Support Vector Machines for Classification

      • تنظیم مشکل طبقه بندی SVM Setting up the SVM Classification Problem

      • نسخه ی نمایشی: طبقه بندی متن SVM Demo: SVM Text Classification

      • نسخه ی نمایشی: طبقه بندی تصویر SVM با جستجوی شبکه Demo: SVM Image Classification with Grid Search

      • درختان تصمیم Decision Trees

      • جنگل های تصادفی Random Forests

      • رگرسیون تقویت گرادیان Gradient Boosting Regression

      • افزایش رگرسیون و انقباض افزایش گرادیان Gradient Boosting Regression and Shrinkage Factor

      • نسخه ی نمایشی: افزایش رگرسیون گرادیان با جستجوی شبکه Demo: Gradient Boosting Regression with Grid Search

      اجرای خوشه بندی و کاهش ابعاد در یادگیری دقیق Implementing Clustering and Dimensionality Reduction in scikit-learn

      • بررسی اجمالی ماژول Module Overview

      • خوشه بندی Clustering

      • K به معنی خوشه بندی است K-means Clustering

      • خوشه بندی میانگین شیفت Mean Shift Clustering

      • K-mean vs. Mean Shift Clustering K-means vs. Mean Shift Clustering

      • نسخه ی نمایشی: میانگین خوشه بندی شیفت Demo: Mean Shift Clustering

      • نسخه ی نمایشی: خوشه های تغییر میانگین را بررسی کنید Demo: Examine Mean Shift Clusters

      • تحلیل م Compلفه های اصلی: شهود Principal Components Analysis: Intuition

      • نسخه ی نمایشی: تجزیه و تحلیل اجزای اصلی Demo: Principal Components Analysis

      • خلاصه و مطالعه بیشتر Summary and Further Study

      نمایش نظرات

      آموزش ساخت مدلهای یادگیری ماشین در پایتون با یادگیری دقیق
      جزییات دوره
      3h 13m
      50
      Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
      (آخرین آپدیت)
      104
      4.6 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.