آموزش کاهش پیچیدگی در داده ها

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

درک نیاز به کاهش ابعاد Understanding the Need for Dimensionality Reduction

• بررسی اجمالی ماژول Module Overview

• پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

• نفرین بعد The Curse of Dimensionality

• نصب بیش از حد و واریانس تعصب Overfitting and the Bias-variance Trade-off

• تکنیک هایی برای کاهش پیچیدگی Techniques to Reduce Complexity

• انتخاب تکنیک مناسب Choosing the Right Technique

• اشکالاتی در کاهش پیچیدگی Drawbacks of Reducing Complexity

• نسخه ی نمایشی: مجموعه داده های دیابت - کاوش Demo: The Diabetes Dataset - Exploration

• نسخه ی نمایشی: ایجاد یک مدل پایه Demo: Establishing a Baseline Model

• نسخه ی نمایشی: مجموعه قیمت مسکن بوستون - کاوش Demo: The Boston Housing Prices Dataset - Exploration

• نسخه ی نمایشی: رگرسیون سینک ظرفشویی آشپزخانه برای ایجاد یک مدل پایه Demo: Kitchen Sink Regression to Establish a Baseline Model

• خلاصه Summary

استفاده از تکنیک های آماری برای انتخاب ویژگی ها Using Statistical Techniques for Feature Selection

• بررسی اجمالی ماژول Module Overview

• تکنیک های آماری برای انتخاب ویژگی ها Statistical Techniques for Feature Selection

• بررسی اجمالی مفهومی روشهای مختلف انتخاب ویژگی Conceptual Overview of Different Feature Selection Techniques

• نسخه ی نمایشی: انتخاب ویژگی ها با استفاده از آستانه واریانس Demo: Selecting Features Using a Variance Threshold

• نسخه ی نمایشی: انتخاب K بهترین ویژگی ها با استفاده از تجزیه و تحلیل Chi2 Demo: Selecting K Best Features Using Chi2 Analysis

• نسخه ی نمایشی: تنظیم عملکردهای کمکی برای انتخاب ویژگی Demo: Setting up Helper Functions for Feature Selection

• نسخه ی نمایشی: با استفاده از تجزیه و تحلیل Chi2 مقدار مناسب K را پیدا کنید Demo: Find the Right Value for K Using Chi2 Analysis

• نسخه ی نمایشی: با استفاده از ANOVA مقدار مناسب K را پیدا کنید Demo: Find the Right Value for K Using ANOVA

• نسخه ی نمایشی: با استفاده از درصد و تجزیه و تحلیل اطلاعات متقابل ، ویژگی ها را انتخاب کنید Demo: Select Features Using Percentiles and Mutual Information Analysis

• نسخه ی نمایشی: آموزش فرهنگ لغت در ارقام دست نویس Demo: Dictionary Learning on Handwritten Digits

• خلاصه Summary

کاهش پیچیدگی در داده های خطی Reducing Complexity in Linear Data

• بررسی اجمالی ماژول Module Overview

• درک تجزیه و تحلیل مincipلفه های اصلی Understanding Principal Components Analysis

• نسخه ی نمایشی: انجام PCA برای کاهش ابعاد Demo: Performing PCA to Reduce Dimensionality

• نسخه ی نمایشی: ساخت مدل های خطی با استفاده از اجزای اصلی Demo: Building Linear Models Using Principal Components

• درک تحلیل عامل Understanding Factor Analysis

• نسخه ی نمایشی: استفاده از تحلیل عاملی برای کاهش ابعاد Demo: Applying Factor Analysis to Reduce Dimensionality

• درک تحلیل تفکیک خطی Understanding Linear Discriminant Analysis

• نسخه ی نمایشی: انجام تجزیه و تحلیل خطی تبعیض آمیز برای تغییر جهت داده ها Demo: Performing Linear Discriminant Analysis to Reorient Data

• خلاصه Summary

کاهش پیچیدگی در داده های غیرخطی Reducing Complexity in Nonlinear Data

• بررسی اجمالی ماژول Module Overview

• درک یادگیری چندگانه Understanding Manifold Learning

• نسخه ی نمایشی: تولید منیفولد و تنظیم عملکردهای کمکی Demo: Generate Manifold and Set up Helper Functions

• نسخه ی نمایشی: یادگیری چندگانه با استفاده از مقیاس گذاری چند بعدی و جاسازی طیفی Demo: Manifold Learning Using Multidimensional Scaling and Spectral Embedding

• نسخه ی نمایشی: یادگیری چندگانه با استفاده از t-SNE و Isomap Demo: Manifold Learning Using t-SNE and Isomap

• نسخه ی نمایشی: یادگیری منیفولد با استفاده از تعبیه محلی و خطی Demo: Manifold Learning Using Locally Linear Embedding

• نسخه ی نمایشی: انجام PCA هسته برای کاهش پیچیدگی در داده های غیرخطی Demo: Performing Kernel PCA to Reduce Complexity in Nonlinear Data

• خلاصه Summary

کاهش ابعاد با استفاده از روش های خوشه بندی و رمزگذاری خودکار Dimensionality Reduction Using Clustering and Autoencoding Techniques

• بررسی اجمالی ماژول Module Overview

• K- به معنای انباشت مدل است K-means Model Stacking

• نسخه ی نمایشی: طبقه بندی تصویر با ویژگی های اصلی Demo: Classifying Image with Original Features

• نسخه ی نمایشی: تبدیل داده ها با استفاده از مراکز خوشه K-means Demo: Transforming Data Using K-means Cluster Centers

• رمزگذاری خودکار Autoencoding

• نسخه ی نمایشی: داده های تصویر را برای تغذیه رمزگذار خودکار آماده کنید Demo: Prepare Image Data to Feed an Autoencoder

• نسخه ی نمایشی: استفاده از رمزگذاران خودکار برای یادگیری نمایش کارآمد داده ها Demo: Using Autoencoders to Learn Efficient Representations of Data

• خلاصه و مطالعه بیشتر Summary and Further Study