آموزش مبانی یادگیری ماشین و هوش مصنوعی: خوشه بندی و تداعی

Machine Learning and AI Foundations: Clustering and Association

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری بدون نظارت نوعی یادگیری ماشین است که در آن الگوریتم ها داده های بدون برچسب را تجزیه می کنند. تمرکز بر روی مرتب سازی داده ها به دسته های شناخته شده نیست بلکه کشف الگوهای پنهان است. یادگیری بدون نظارت نقش بزرگی در تقسیم بندی بازاریابی مدرن ، کشف تقلب و تحلیل سبد بازار دارد. این دوره نشان می دهد که چگونه می توان از تکنیک های پیشرو یادگیری ماشین - تجزیه و تحلیل خوشه ای ، تشخیص ناهنجاری و قوانین ارتباط - برای دستیابی به نتایج دقیق و معنی دار از داده های بزرگ استفاده کرد.

مربی Keith McCormick رایج ترین الگوریتم های خوشه بندی را مرور می کند: نقشه های سلسله مراتبی ، k-means ، BIRCH و خود سازماندهی (SOM). وی با استفاده از توابع تخصصی اضافی موجود در IBM SPSS Modeler ، از همان الگوریتم ها برای تشخیص ناهنجاری استفاده می کند. وی با مرور قوانین ارتباط و تشخیص توالی ، دوره را می بندد و همچنین برخی منابع برای یادگیری بیشتر فراهم می کند.

تمام تمرینات در IBM SPSS Modeler و IBM SPSS Statistics نشان داده شده است ، اما تأکید بر مفاهیم است ، نه مکانیک نرم افزار.
موضوعات شامل:
  • یادگیری بدون نظارت چیست؟
  • خوشه و اقدامات مبتنی بر فاصله
  • تجزیه و تحلیل خوشه سلسله مراتبی
  • تجزیه و تحلیل خوشه K- به معنی
  • تجسم و گزارش راه حل های خوشه ای
  • روشهای خوشه ای برای متغیرهای طبقه بندی
  • تشخیص ناهنجاری
  • قوانین انجمن
  • تشخیص توالی

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدی Welcome

  • آنچه باید بدانید What you should know

  • با استفاده از پرونده های تمرینی Using the exercise files

  • یادگیری ماشین بدون نظارت چیست؟ What is unsupervised machine learning?

1. تجزیه و تحلیل خوشه چیست؟ 1. What Is Cluster Analysis?

  • با استفاده از نقشه پراکندگی 2D ، به داده ها نگاه می کنید Looking at the data with a 2D scatter plot

  • درک تجزیه و تحلیل خوشه ای سلسله مراتبی Understanding hierarchical cluster analysis

  • در حال انجام تجزیه و تحلیل خوشه ای سلسله مراتبی Running hierarchical cluster analysis

  • تفسیر یک دندروگرام Interpreting a dendrogram

  • روش های اندازه گیری فاصله Methods for measuring distance

  • نزدیکترین همسایگان k چیست؟ What is k-nearest neighbors?

2. K- به معنای 2. K-Means

  • k- به چه معنی کار می کند؟ How does k-means work?

  • کدام متغیرها را باید با k-значи استفاده کرد؟ Which variables should be used with k-means?

  • تفسیر یک طرح جعبه Interpreting a box plot

  • اجرای تجزیه و تحلیل خوشه ای k به معنی Running a k-means cluster analysis

  • تفسیر خروجی تجزیه و تحلیل خوشه Interpreting cluster analysis output

  • معنای silhouette چیست؟ What does silhouette mean?

  • کدام موارد را باید با k-значи استفاده کرد؟ Which cases should be used with k-means?

  • یافتن مقدار بهینه برای k: k = 3 Finding optimum value for k: k = 3

  • یافتن مقدار بهینه برای k: k = 4 Finding optimum value for k: k = 4

  • یافتن مقدار بهینه برای k: k = 5 Finding optimum value for k: k = 5

  • بهترین راه حل چیست؟ What the best solution?

3. تجسم و گزارش راه حل های خوشه ای 3. Visualizing and Reporting Cluster Solutions

  • خلاصه خوشه به معنی در یک جدول است Summarizing cluster means in a table

  • ویژگی Traffic Light در اکسل Traffic Light feature in Excel

  • نمودارهای خط Line graphs

4- روش های خوشه ای برای متغیرهای طبقه بندی شده 4. Cluster Methods for Categorical Variables

  • ارتباط خوشه ها به دسته ها از نظر آماری Relating clusters to categories statistically

  • ارتباط خوشه ها به صورت بصری Relating clusters to categories visually

  • تجزیه و تحلیل مکاتبات متعدد Running a multiple correspondence analysis

  • تفسیر یک نقشه ادراکی Interpreting a perceptual map

  • با استفاده از تجزیه و تحلیل خوشه ای و درختان تصمیم گیری Using cluster analysis and decision trees together

  • مثال BIRCH / دو مرحله ای A BIRCH/two-step example

  • نمونه نقشه خود سازماندهی A self organizing map example

5- تشخیص ناهنجاری 5. Anomaly Detection

  • ترفند k = 1 The k = 1 trick

  • الگوریتم های تشخیص ناهنجاری Anomaly detection algorithms

  • استفاده از SOM برای تشخیص ناهنجاری Using SOM for anomaly detection

6. قوانین انجمن و تشخیص توالی 6. Association Rules and Sequence Detection

  • معرفی قوانین انجمن و تحلیل توالی Intro to association rules and sequence analysis

  • قوانین انجمن را اجرا می کند Running association rules

  • برخی اصطلاحات قوانین انجمن Some association rules terminology

  • قوانین تفسیر انجمن Interpreting association rules

  • قرار دادن قوانین انجمن برای استفاده Putting association rules to use

  • مقایسه قوانین خوشه بندی و ارتباط Comparing clustering and association rules

  • تشخیص توالی Sequence detection

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش مبانی یادگیری ماشین و هوش مصنوعی: خوشه بندی و تداعی
جزییات دوره
3h 22m
42
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
38,801
- 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.