آموزش یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم گیری پیشرفته با KNIME

مقدمه Introduction

• درختان تصمیم پیشرفته (در حال انجام) Advanced decision trees (In progress)

• آنچه شما باید بدانید What you should know

• با استفاده از فایل های تمرین Using the exercise files

1. بررسی الگوریتم‌های درخت تصمیم 1. Exploring the Many Decision Tree Algorithms

• چرا درختان الگوریتم های حریص محسوب می شوند؟ Why are trees considered greedy algorithms?

• چرا این همه الگوریتم وجود دارد؟ Why are there so many algorithms?

• پنج گزینه کم نود یا بدون کد در KNIME Five low node or no code options in KNIME

2. استفاده از برنامه های افزودنی 2. Using Extensions

• نصب افزونه ها Installing extensions

• نمایش WEKA LMT WEKA LMT demonstration

• تفسیر نتایج LMT Interpreting the LMT results

3. القاء قاعده چیست؟ 3. What Is Rule Induction?

• مقایسه درختان و القاء قوانین Comparing trees and rule induction

• نسخه ی نمایشی القاء قانون Rule induction demo

• تفسیر قوانین Interpreting the rules

4. گزینه های کم کد پایتون در KNIME 4. Low Code Python Options in KNIME

• گزینه های کم کد در KNIME Low code options in KNIME

• نسخه ی نمایشی گره اسکریپت پایتون Python script node demo

• نسخه ی نمایشی CHAID در KNIME CHAID demo in KNIME

• گزینه های کد پیشرفته در KNIME (درخت های پراکنده بهینه) Advanced code options in KNIME (optimal sparse trees)

5. گروه ها و جنگل های تصادفی 5. Ensembles and Random Forests

• معرفی جنگل تصادفی Introducing random forest

• نسخه ی نمایشی جنگل های تصادفی Random forests demo

• مقایسه دو مدل Comparing two models

6. نکات و ترفندهای پیشرفته 6. Advanced Tips and Tricks

• کاهش داده ها با جنگل های تصادفی Data reduction with random forests

• گره نمای XAI The XAI view node

• گسترش Deployment

نتیجه Conclusion

• نظرات و توصیه های نهایی Final thoughts and recommendations