آموزش یادگیری ماشین کاربردی: الگوریتم ها

سرفصل ها و درس ها

مقدمه Introduction

• قدرت الگوریتم ها در یادگیری ماشین The power of algorithms in machine learning

• آنچه باید بدانید What you should know

• به چه ابزارهایی نیاز دارید What tools you need

• با استفاده از پرونده های تمرینی Using the exercise files

1. مرور مبانی 1. Review of Foundations

• تعریف مدل در مقابل الگوریتم Defining model vs. algorithm

• نمای کلی روند Process overview

• متغیرهای مداوم را تمیز کنید Clean continuous variables

• متغیرهای طبقه بندی شده را تمیز کنید Clean categorical variables

• تقسیم به قطار ، اعتبار سنجی و مجموعه آزمون Split into train, validation, and test set

2. رگرسیون لجستیک 2. Logistic Regression

• رگرسیون لجستیک چیست؟ What is logistic regression?

• چه زمانی باید به استفاده از رگرسیون لجستیک توجه کنید؟ When should you consider using logistic regression?

• Hyperparameter های کلیدی برای در نظر گرفتن چیست؟ What are the key hyperparameters to consider?

• یک مدل رگرسیون لجستیک پایه را متناسب کنید Fit a basic logistic regression model

3. ماشین های بردار پشتیبانی 3. Support Vector Machines

• دستگاه بردار پشتیبانی چیست؟ What is Support Vector Machine?

• چه زمانی باید استفاده از SVM را در نظر بگیرید؟ When should you consider using SVM?

• Hyperparameter های کلیدی برای در نظر گرفتن چیست؟ What are the key hyperparameters to consider?

• یک مدل اصلی SVM متناسب کنید Fit a basic SVM model

4. Perceptron چند لایه 4. Multi-layer Perceptron

• پرسپترون چند لایه چیست؟ What is a multi-layer perceptron?

• چه زمانی باید استفاده از پرسپترون چند لایه را در نظر بگیرید؟ When should you consider using a multi-layer perceptron?

• یک مدل پرسپترون پایه چند لایه را متناسب کنید Fit a basic multi-layer perceptron model

5. جنگل تصادفی 5. Random Forest

• جنگل تصادفی چیست؟ What is Random Forest?

• چه زمانی باید استفاده از Random Forest را در نظر بگیرید؟ When should you consider using Random Forest?

• Hyperparameter های کلیدی برای در نظر گرفتن چیست؟ What are the key hyperparameters to consider?

• Hyperparameter های کلیدی برای در نظر گرفتن چیست؟ What are the key hyperparameters to consider?

• یک مدل پایه جنگلی تصادفی را متناسب کنید Fit a basic Random Forest model

6. تقویت 6. Boosting

• چه چیزی تقویت می شود؟ What is boosting?

• چه زمانی باید استفاده از تقویت را در نظر بگیرید؟ When should you consider using boosting?

• پارامترهای کلیدی برای در نظر گرفتن تقویت چیست؟ What are the key hyperparameters to consider boosting?

• یک مدل تقویت کننده اصلی متناسب کنید Fit a basic boosting model

7. خلاصه 7. Summary

• چرا باید مدلهای مختلف زیادی را در نظر بگیرید؟ Why do you need to consider so many different models?

• مقایسه مفهومی الگوریتم ها Conceptual comparison of algorithms

• انتخاب و ارزیابی مدل نهایی Final model selection and evaluation

نتیجه Conclusion

• مراحل بعدی Next steps