نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
یادگیری ماشین هیجان انگیز است ، اما ممکن است پیچیده تر از آنچه که هست به نظر برسد. این دوره به شما تئوری و عمل لازم را می دهد تا با ساختن یک راه حل عملی در مورد نحوه کار یادگیری ماشین اطمینان حاصل کنید. یادگیری ماشین به عنوان یک موضوع دشوار ، چالش برانگیز و پرمحتوا درک می شود در این دوره ، ساخت اولین راه حل یادگیری ماشین شما ، جادوی یادگیری ماشین را کشف خواهید کرد و نظریه پشت آن را درک خواهید کرد. ابتدا یاد خواهید گرفت که یادگیری ماشینی چیست ، انواع آن ، کاربردهای آن ، اینکه چرا دچار کشش می شود و مراحل آن چیست. در مرحله بعدی ، خواهید فهمید که داده ها برای راه حل های یادگیری ماشین چقدر حیاتی هستند ، چگونه آنها را منبع کنید ، تحلیل کنید و برای مراحل بعدی یادگیری ماشین پردازش کنید سرانجام ، شما می آموزید که چگونه الگوریتم های یادگیری ماشین خود را آموزش دهید و آنها را ارزیابی کنید. علاوه بر این ، شما در مورد گرایش های اخیر در یادگیری ماشین ، مانند AI به عنوان یک سرویس ، دانش کسب خواهید کرد. پس از پایان این دوره ، درک کاملی از یادگیری ماشین با توانایی ساختن یک راه حل اساسی برای یادگیری ماشین رگرسیون خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
آماده شدن پاها برای اجرا
Getting Your Feet Ready to Run
-
بررسی اجمالی
Overview
-
چه چیزی انتظار می رود
What to Expect
-
در یادگیری ماشین
On Machine Learning
-
تفاوت در یادگیری ماشینی چیست؟
What Is Different About Machine Learning?
-
انواع یادگیری
Learning Types
-
خط لوله یادگیری ماشین
Machine Learning Pipeline
-
تعریف مسئله
Problem Definition
-
نسخه ی نمایشی: نصب پایتون
Demo: Installing Python
-
خلاصه
Summary
تغذیه خط لوله یادگیری ماشین شما
Feeding Your Machine Learning Pipeline
-
بررسی اجمالی
Overview
-
مرور مجدد خط لوله ML
Revisiting ML Pipeline
-
درک اطلاعات منبع یابی
Understanding Data Sourcing
-
قالب CSV
CSV Format
-
درک SciPy
Understanding SciPy
-
نسخه ی نمایشی: بارگیری داده ها
Demo: Data Loading
-
خلاصه
Summary
درک روند کلی داده ها
Understanding the Overall Data Trends
-
بررسی اجمالی
Overview
-
مرور مجدد خط لوله ML
Revisiting ML Pipeline
-
معرفی تجزیه و تحلیل داده ها
Introducing Data Analysis
-
تحلیل عددی تک متغیره
Univariant Numerical Analysis
-
تجزیه و تحلیل دو متغیره
Bivariant Numerical Analysis
-
نسخه ی نمایشی: آمار توصیفی
Demo: Descriptive Stats
-
تجسم داده ها
Data Visualization
-
خلاصه
Summary
آماده کردن داده های خود برای مدل ML
Making Your Data Ready for the ML Model
-
بررسی اجمالی
Overview
-
مرور مجدد خط لوله ML
Revisting ML Pipeline
-
مقیاس گذاری داده ها: مسئله
Data Scaling: The Problem
-
مقیاس گذاری داده ها: راه حل
Data Scaling: The Solution
-
نیاز به تفکیک داده ها
The Need for Data Segregation
-
تقسیم تست قطار
Train Test Split
-
اعتبار سنجی ضربدر K Fold
KFlod Cross Validation
-
استقبال از scikit یاد بگیرید
Welcoming scikit-learn
-
نسخه ی نمایشی
Demo
-
خلاصه
Summary
پیاده سازی راه حل بازگشت شما
Implementing Your Regression Solution
-
بررسی اجمالی
Overview
-
مرور مجدد خط لوله ML
Revisiting ML Pipeline
-
محدود کردن تمرکز خود را
Scoping Your Focus
-
معرفی مشتقات
Introducing Derivatives
-
رگرسیون خطی
Linear Regression
-
واریانس بایاس تجارت
Variance Bias Tradeoff
-
سایر الگوریتم های رگرسیون
Other Regression Algorithms
-
ارزیابی مدل
Model Evaluation
-
نسخه ی نمایشی
Demo
-
خلاصه
Summary
بعدی چیه؟
What Is Next?
-
بررسی اجمالی
Overview
-
ویژگی های مدیریت
Handling Features
-
بهبود مدل
Model Improvement
-
ML خودکار
Automated ML
-
عملیاتی شدن
Operationalization
-
روند دانش داده تیم
Team Data Science Process
-
خلاصه
Summary
نمایش نظرات