آموزش ساخت مدلهای یادگیری ماشین در پایتون با یادگیری دقیق

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