لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین کاربردی در R
دانلود Applied Machine Learning in R
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
مهارتهای یادگیری ماشین ضروری را بدست آورید و از آنها در موقعیتهای واقعی استفاده کنید. انجام رگرسیون لجستیک و تجزیه و تحلیل متمایز استفاده از تکنیک های طبقه بندی پیچیده: ساده بیز، K نزدیکترین همسایه، ماشین بردار پشتیبان، درخت تصمیم استفاده از شبکه های عصبی برای پیش بینی استفاده از تحلیل مولفه های اصلی برای تشخیص الگوها در متغیرها انجام تجزیه و تحلیل خوشه ای برای گروه بندی مشاهدات در طبقات همگن پیش نیازها :آشنایی با برنامه R دانش پایه آمار و تجزیه و تحلیل آماری
این دوره آموزش عملی یادگیری ماشین را با استفاده از برنامه R به شما ارائه می دهد. در پایان دوره، میدانید که چگونه از رایجترین تکنیکهای یادگیری ماشینی برای پیشبینیهای دقیق و به دست آوردن بینش ارزشمند از دادههای خود استفاده کنید.
همه رویههای یادگیری ماشینی بهطور مستقیم و با جزئیات در مجموعه دادههای واقعی توضیح داده شدهاند. بنابراین به سرعت پیشرفت خواهید کرد و میتوانید فوراً دانش خود را به کار ببرید - بدون نیاز به آزمون و خطای دردناک برای کشف نحوه پیادهسازی این یا آن تکنیک در R. در مدت زمان کوتاهی میتوانید تخصص قوی در یادگیری ماشین داشته باشید.
مهارت های یادگیری ماشین بسیار ارزشمند هستند اگر قصد دارید شغلی مانند تحلیلگر داده، دانشمند داده، محقق یا حتی مهندس نرم افزار را ایمن کنید. بنابراین ممکن است زمان مناسبی باشد که شما در این دوره ثبت نام کنید و همین امروز شروع به ایجاد شایستگی های یادگیری ماشینی خود کنید!
بیایید ببینیم در اینجا قرار است چه چیزی یاد بگیرید.
قبل از هر چیز، ما قصد داریم در مورد برخی از مفاهیم اساسی صحبت کنیم که قبل از انجام یادگیری ماشینی باید کاملاً بدانید. بنابراین، ما در مورد تکنیکهای یادگیری ماشینی نظارتشده و بدون نظارت، در مورد تمایزات بین پیشبینی و استنتاج، در مورد مدلهای رگرسیون و طبقهبندی و مهمتر از همه، در مورد مبادله بایاس واریانس، موضوعی حیاتی در یادگیری ماشین صحبت خواهیم کرد.
در ادامه با اعتبارسنجی متقابل آشنا خواهیم شد. این یک موضوع بسیار مهم است، زیرا در یادگیری ماشینی باید بتوانیم مدل خود را بر روی مجموعههای داده مستقل (که دادههای اولین دیده نیز نامیده میشود) آزمایش و اعتبار سنجی کنیم. بنابراین ما قصد داریم مزایا و معایب سه رویکرد اعتبارسنجی متقابل را ارائه کنیم.
پس از دو بخش مقدماتی اول، به مطالعه تکنیکهای یادگیری ماشینی تحت نظارت خواهیم پرداخت. ما با تکنیک های رگرسیون شروع می کنیم، جایی که متغیر پاسخ کمی است. و نه، ما به رگرسیون OLS کلاسیک که احتمالاً قبلاً میدانید پایبند نیستیم. ما تکنیک های رگرسیون پیچیده مانند رگرسیون گام به گام (به جلو و عقب)، رگرسیون جریمه شده (رج و کمند) و رگرسیون حداقل مربعات جزئی را مطالعه خواهیم کرد. و البته، ما همه آنها را با استفاده از مجموعه داده های واقعی در R نشان خواهیم داد.
بعد از آن به سراغ تکنیکهای طبقهبندی میرویم، زمانی که باید یک متغیر طبقهبندی را پیشبینی کنیم، بسیار مفید است. در اینجا ما رگرسیون لجستیک (کلاسیک و کمند)، تجزیه و تحلیل متمایز (خطی و درجه دوم)، تکنیک بیز ساده، K نزدیکترین همسایه، ماشین بردار پشتیبان، درختهای تصمیمگیری و شبکههای عصبی را مطالعه میکنیم.
برای هر تکنیک بالا، ساختار ارائه به صورت زیر است:
* مقدمه نظری کوتاه و قابل فهم (بدون ریاضیات پیچیده)
* نحوه آموزش مدل پیش بینی در R
* چگونه مدل را آزمایش کنیم تا مطمئن شویم که کار پیش بینی خوبی در مجموعه داده های مستقل انجام می دهد.
در بخشهای آخر دو تکنیک یادگیری ماشینی بدون نظارت را مطالعه میکنیم: تجزیه و تحلیل مؤلفه اصلی و تجزیه و تحلیل خوشهای. آنها تکنیک های داده کاوی قدرتمندی هستند که به شما امکان می دهند الگوها را در داده ها یا متغیرهای خود تشخیص دهید.
برای هر تکنیک، تعدادی تمرین عملی پیشنهاد شده است. با انجام این تمرینات شما در عمل آنچه را که آموخته اید به کار خواهید برد.
این دوره فرصتی برای شماست تا در عرض چند هفته به یک متخصص یادگیری ماشین تبدیل شوید! با سخنرانیهای ویدیویی من، تسلط بر تکنیکهای اصلی یادگیری ماشین بسیار آسان است. همه چیز به صورت زنده، گام به گام نشان داده می شود، بنابراین می توانید هر روشی را در هر زمانی که نیاز دارید تکرار کنید.
بنابراین برای دسترسی فوری به دوره یادگیری ماشین خود، روی دکمه "ثبت نام" کلیک کنید. مطمئناً مهارت های گرانبهای جدیدی را در اختیار شما قرار می دهد. و چه کسی میداند، میتواند در آینده نزدیک به شما پیشرفت شغلی فوقالعادهای بدهد.
می بینمت داخل!
سرفصل ها و درس ها
شروع شدن
Getting Started
معرفی
Introduction
مسائل کلیدی در یادگیری ماشین
Key Issues in Machine Learning
یادگیری ماشین چیست؟
What Is Machine Learning?
نظارت بر روش های نظارتی در مقابل
Supervised vs. Unsupervised Methods
پیش بینی در مقابل استنتاج
Prediction vs. Inference
مدل های محدود کننده در مقابل مدل های انعطاف پذیر
Restrictive Models vs. Flexible Models
محاسبه پیش بینی پیش بینی مدل های رگرسیون
Computing Prediction Accuracy of Regression Models
محاسبات پیش بینی دقت مدل های طبقه بندی
Computing Prediction Accuracy of Classification Models
اختلاف نظر واریانس
Bias-Variance Tradeoff
اعتبار سنجی متقابل
Cross-Validation
اعتبار متقابل چیست؟
What Is Cross-Validation?
روش اعتبار سنجی
Validation Set Approach
رویکرد متقابل متقابل را ترک کنید
Leave-One-Out Cross-Validation Approach
رویکرد اعتبار سنجی K برابر
K-Fold Cross-Validation Approach
رگرسیون کمترین مربعات معمولی
Ordinary Least Squares Regression
مقدمه ای بر رگرسیون OLS
Introduction to the OLS Regression
اعتبار سنجی مدل رگرسیون OLS (1)
Validating the OLS Regression Model (1)
اعتبار سنجی مدل رگرسیون OLS (2)
Validating the OLS Regression Model (2)
بهترین رگرسیون زیر مجموعه
Best Subset Regression
بهترین رگرسیون انتخاب زیر مجموعه - مقدمه
Best Subset Selection Regression - Introduction
رگرسیون انتخابی پیش رو
Forward Selection Regression
رگرسیون انتخابی عقب مانده
Backward Selection Regression
تایید رگرسیون انتخاب زیر مجموعه
Validating the Subset Selection Regression
رگرسیون مجازات
Penalized Regression
رگرسيون ريج
Ridge Regression
اعتبار سنجی رگرسیون ردیف
Validating the Ridge Regression
رگرسیون لسو
Lasso Regression
اعتبار رگرسیون لسو
Validating the Lasso Regression
رگرسيون حداقل مربعات جزئی
Partial Least Squares Regression
مقدمه ای بر رگرسیون PLS
Introduction to PLS Regression
اعتبار سنجی رگرسیون PLS
Validating the PLS Regression
رگرسیون لجستیک
Logistic Regression
مقدمه ای بر رگرسیون لجستیک
Introduction to Logistic Regression
محاسبه دقت پیش بینی
Computing the Prediction Accuracy
ساخت منحنی ROC
Building the ROC Curve
اعتبار رگرسیون لجستیک
Validating the Logistic Regression
رگرسيون لجستيک لسو
Lasso Logistic Regression
اعتبار رگرسیون لجستیک Lasso
Validating the Lasso Logistic Regression
تجزیه و تحلیل تجزیه و تحلیل
Discriminant Analysis
تجزیه و تحلیل خطی خطی
Linear Discriminant Analysis
اعتبار سنجی خطی
Validating the Linear Discriminant
تجزیه و تحلیل تشخیصی درجه دوم
Quadratic Discriminant Analysis
تایید تبعیض درجه دوم
Validating the Quadratic Discriminant
برآورد بیضه بیضه
Naive Bayes Estimation
مقدمه ای بر برآورد بیابان بیضه
Introduction to Naive Bayes Estimation
برآورد Bayes Bayes در R با بسته E1071
Naive Bayes Estimation in R with the e1071 Package
اعتبار مدل Bayes Naive
Validating the Naive Bayes Model
برآورد بیضهای بیضه در R با بسته naivebayes
Naive Bayes Estimation in R with the naivebayes Package
K نزدیکترین همسایه
K-Nearest Neighbor
مقدمه ای بر نزدیکی نزدیکترین همسایه
Introduction to K Nearest Neighbor
K نزدیکترین همسایه در R
K Nearest Neighbor in R
پیدا کردن تعداد مطلوب همسایگان
Finding the Optimal Number of Neighbors
پشتیبانی از دستگاه بردار
Support Vector Machine
حداکثر طبقه بندی مارجین
Maximal Margin Classifier
پشتیبانی از طبقه بندی بردار
Support Vector Classifier
مقدمه ای بر پشتیبانی از دستگاه بردار
Introduction to Support Vector Machine
پشتیبانی از دستگاه بردار با هسته خطی
Support Vector Machine with Linear Kernel
پشتیبانی از دستگاه بردار با هسته چندجملهای
Support Vector Machine with Polynomial Kernel
پشتیبانی از دستگاه بردار با هسته شعاعی
Support Vector Machine with Radial Kernel
درخت تصمیم گیری (سبد خرید)
Decision Trees (CART)
درختان تصمیم گیری چیست؟
What Are Decision Trees?
مقدمه ای بر سبد خرید
Introduction to CART
مزایا و معایب درخت تصمیم گیری
Advantages and Disadvantages of Decision Trees
درختان رگرسیون در حال رشد در R
Growing Regression Trees in R
درختان طبقه بندی در حال رشد در R
Growing Classification Trees in R
مقدمه ای بر هرس
Introduction to Pruning
درختان رگرسیون هرس در R
Pruning Regression Trees in R
درختان طبقه بندی هرس در R
Pruning Classification Trees in R
معرفی جنگل های کیسه ای و تصادفی
Introduction to Bagging and Random Forests
درختان رگرسیون کیسه ای در R
Bagging Regression Trees in R
کیسه های طبقه بندی کیسه ای در R
Bagging Classification Trees in R
جنگل های تصادفی درختان رگرسیون در R
Random Forests of Regression Trees in R
جنگل های تصادفی درختان طبقه بندی در R
Random Forests of Classification Trees in R
مقدمه برای تقویت
Introduction to Boosting
افزایش درختان رگرسیون
Boosting Regression Trees
افزایش طبقه بندی درختان
Boosting Classification Trees
یک آغازگر در شبکه های عصبی
A Primer in Neural Networks
تعریف شبکه های عصبی
Definition of Neural Networks
چه اتفاقی می افتد در داخل یک نورون؟
What Happens Inside of a Neuron?
فرایند یادگیری شبکه عصبی
Neural Network Learning Process
یک مثال شبکه عصبی ساده
A Simple Neural Network Example
مثال شبکه عصبی عملی
Practical Neural Network Example
مثال شبکه عصبی عملی (2)
Practical Neural Network Example (2)
تجزیه و تحلیل مولفه اصلی
Principal Component Analysis
مقدمه ای بر تجزیه و تحلیل مولفه اصلی
Introduction to Principal Component Analysis
اجرای تجزیه و تحلیل مولفه اصلی
Executing the Principal Component Analysis
انجام آزمون های کفایت
Performing the Adequacy Tests
آنالیز خوشه ای
Cluster Analysis
مقدمه ای بر تجزیه و تحلیل خوشه ای
Introduction to Cluster Analysis
خوشه سلسله مراتبی
Hierarchical Cluster
k-means خوشه
K-Means Cluster
تمرین
Practice
اولین بار مرا بخوان
Read Me First
توضیحات داده ها
Data Sets Descriptions
تمرینات عملی
Practical Exercises
لینک های دانلود
Download Links
منابع خود را اینجا دانلود کنید
Download Your Resources Here
مدرس و مشاور دانشگاه نام من بوگدان آناستازئی است و استادیار دانشگاه ایاسی رومانی ، دانشکده اقتصاد و مدیریت بازرگانی هستم. من بازاریابی اینترنتی و روشهای کمی را برای تجارت آموزش می دهم. من همچنین یک مشاور بازرگانی هستم. من تجزیه و تحلیل ریسک کمی و مطالعات امکان سنجی را برای مشاغل مختلف محلی انجام داده ام و در پروژه های دانشگاهی در مورد تجزیه و تحلیل ریسک و تجزیه و تحلیل بازاریابی مثر است. من همچنین دوره ها و مقالاتی در مورد بازاریابی اینترنتی و فنون ارتباط آنلاین نوشتم. من 24 سال سابقه تدریس و حدود 15 سال سابقه مشاوره بازرگانی دارم.
نمایش نظرات