Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره انواع مهمی از الگوریتم های یادگیری ماشین ، تکنیک های راه حل مبتنی بر ویژگی های مسئله ای را که سعی در حل آن دارید ، و همچنین گردش کار کلاسیک یادگیری ماشین را پوشش می دهد. دقیقاً چگونگی قالب بندی یک مدل یادگیری ماشین به روشی متناسب با مسئله ای که می خواهیم حل کنیم و داده هایی که در دسترس داریم. در این دوره ، با ایجاد مدل های یادگیری ماشینی این توانایی را خواهید یافت که نوع مناسب مدل را برای مشکل خود انتخاب کنید ، سپس آن مدل را بسازید و عملکرد آن را ارزیابی کنید. ابتدا یاد خواهید گرفت که سیستم های مبتنی بر قانون و ML چه تفاوتی دارند و نقاط قوت و ضعف آنها و تفاوت مدل های یادگیری تحت نظارت و نظارت بدون یکدیگر چیست. در مرحله بعدی ، خواهید فهمید که چگونه می توانید طیف وسیعی از تکنیک ها را برای حل مشکلات یادگیری تحت نظارت طبقه بندی و رگرسیون به کار بگیرید. شما یک درک شهودی از الگوریتم های مدلی که می توانید برای طبقه بندی و رگرسیون استفاده کنید ، بدست خواهید آورد. سرانجام ، با ساختن مدل های خوشه بندی با استفاده از چند الگوریتم مختلف و اعتبار سنجی نتایج ، دانش خود را جمع آوری می کنید. وقتی این دوره را به پایان رسانید ، مهارت و دانش لازم برای شناسایی راه حل درست یادگیری ماشین و راه حل های مناسب و روش های ارزیابی را برای موارد مورد استفاده خود خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
درک رویکردهای یادگیری ماشین
Understanding Approaches to Machine Learning
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
قانون مبتنی بر یادگیری مبتنی بر ML
Rule-based vs. ML-based Learning
ML سنتی در مقابل نمایندگی ML
Traditional ML vs. Representation ML
گردش کار یادگیری ماشین
The Machine Learning Workflow
انتخاب مدل مناسب بر اساس داده ها
Choosing the Right Model Based on Data
تحت نظارت و یادگیری بدون نظارت
Supervised vs. Unsupervised Learning
انتقال یادگیری ، Cold Start ML و Warm Start ML
Transfer Learning, Cold Start ML and Warm Start ML
چارچوب های معروف یادگیری ماشین
Popular Machine Learning Frameworks
نسخه ی نمایشی: شروع با یادگیری دقیق
Demo: Getting Started with scikit-learn
خلاصه ماژول
Module Summary
درک و اجرای مدلهای رگرسیون
Understanding and Implementing Regression Models
بررسی اجمالی ماژول
Module Overview
ساخت و ارزیابی مدلهای رگرسیون
Building and Evaluating Regression Models
نسخه ی نمایشی: رگرسیون خطی با استفاده از ویژگی های عددی
Demo: Linear Regression Using Numeric Features
نسخه ی نمایشی: کاوش داده های رگرسیون
Demo: Exploring Regression Data
نسخه ی نمایشی: پیش پردازش داده های عددی و دسته ای و نصب یک مدل رگرسیون
Demo: Preprocessing Numeric and Categorical Data and Fitting a Regression Model
انتخاب الگوریتم های رگرسیون
Choosing Regression Algorithms
مدل های رگرسیون منظم: Lasso ، Ridge و Elastic Net
Regularized Regression Models: Lasso, Ridge, and Elastic Net
نزول گرادیان تصادفی
Stochastic Gradient Descent
نسخه ی نمایشی: انواع مختلفی از رگرسیون
Demo: Multiple Types of Regression
خلاصه ماژول
Module Summary
درک و اجرای مدل های طبقه بندی
Understanding and Implementing Classification Models
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.
نمایش نظرات