آموزش داده های کاوی از وابستگی های متغیر - آخرین آپدیت

دانلود Mining Data from Variable Dependencies

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: داده های کاوی شامل به دست آوردن روابط پیچیده احتمالی پیچیده بین متغیرهای متعدد است. در این دوره ، داده های کاوی از وابستگی های متغیر ، یاد می گیرید که از مدل های نمودار احتمالی استفاده کنید تا روابط پیچیده در بین متغیرها/ویژگی ها حاصل شود. ابتدا ، شبکه های بیزی را کشف خواهید کرد. بعد ، جدایی D را کشف خواهید کرد. سرانجام ، شما یاد می گیرید که چگونه تکه تکه شدن داده ها را انجام دهید. پس از اتمام این دوره ، مهارت و دانش در مورد مدل های احتمالی پایتون مورد نیاز برای کشف روابط در متغیرها/ویژگی های ورودی برای به دست آوردن احتمالات مشترک یا تأثیر ویژگی ها در نتیجه نهایی خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

درک احتمال در زمینه ورزش Understanding Probability in the Context of Sports

  • مقدمه ای بر تئوری احتمال Introduction to Probability Theory

  • توزیع احتمال Probability Distributions

  • احتمال مشروط و قاعده بیز چیست؟ What Is Conditional Probability and Bayes Rule?

  • تفسیرهای احتمال و متغیرهای تصادفی Interpretations of Probability and Random Variables

  • توزیع حاشیه ای Marginal Distribution

  • توزیع مشترک Joint Distribution

  • استقلال مشروط Conditional Independence

  • خلاصه Summary

یافتن متغیرهای متصل با استفاده از شبکه های Bayesian Finding Connected Variables Using Bayesian Networks

  • آشنایی با تئوری نمودار Introduction to Graph Theory

  • پارامتر سازی Conditional Parametrization

  • نسخه ی نمایشی: توزیع مشترک Demo: Joint Distribution

  • شبکه بیزی Bayesian Network

  • انواع استدلال Types of Reasoning

  • نسخه ی نمایشی: شبکه بیزی Demo: Bayesian Network

  • جدایی D D Separation

  • نسخه ی نمایشی: D جدایی Demo: D Separation

  • آشنایی با مدل Bayes Naive Bayes Introduction to Naive Bayes Model

  • نسخه ی نمایشی: مدل طبقه بندی کننده ساده لوح Bayes Demo: Naive Bayes Classifier Model

  • خلاصه Summary

استخراج روابط با استفاده از یادگیری ساختاری Extracting Relationships Using Structured Learning

  • مقدمه ای برای یادگیری ساختار Introduction to Structure Learning

  • یادگیری مبتنی بر محدودیت: قسمت اول Constraint Based Learning: Part One

  • یادگیری مبتنی بر محدودیت: قسمت دوم Constraint Based Learning: Part Two

  • یادگیری مبتنی بر محدودیت: قسمت سوم Constraint Based Learning: Part Three

  • نسخه ی نمایشی: رویکرد مبتنی بر محدودیت Demo: Constraint Based Approach

  • یادگیری مبتنی بر نمره: قسمت اول Score Based Learning: Part One

  • یادگیری مبتنی بر نمره: قسمت دوم Score Based Learning: Part Two

  • یادگیری مبتنی بر نمره: قسمت سوم Score Based Learning: Part Three

  • نسخه ی نمایشی: رویکرد مبتنی بر نمره Demo: Score Based Approach

  • خلاصه Summary

تخمین توزیع پارامتر برای بهبود مدل Estimating Parameter Distributions to Improve the Model

  • مقدمه ای برای یادگیری پارامتر Introduction to Parameter Learning

  • عملکرد احتمال The Likelihood Function

  • نسخه ی نمایشی: MLE برای برآورد پارامتر Demo: MLE for Parameter Estimation

  • MLE برای شبکه های بیزی MLE for Bayesian Networks

  • نسخه ی نمایشی: یادگیری پارامتر بیزی برای مطالعه موردی مصاحبه شغلی Demo: Bayesian Parameter Learning for Job Interview Case Study

  • نسخه ی نمایشی: بیزی برای برآورد پارامتر Demo: Bayesian for Parameter Estimation

  • تکه تکه شدن داده ها Data Fragmentation

  • نسخه ی نمایشی: تکه تکه شدن داده ها Demo: Data Fragmentation

  • برآورد پارامتر بیز Bayes Parameter Estimation

  • نسخه ی نمایشی: برآورد بیزی برای شبکه بیزی Demo: Bayesian Estimation for the Bayesian Network

  • خلاصه Summary

تشخیص وقایع ناهنجار با گذشت زمان Detecting Anomalous Events Over Time

  • مقدمه ای برای تشخیص ناهنجاری Introduction to Anomaly Detection

  • انواع ناهنجاری ها Types of Anomalies

  • روشهای تشخیص ناهنجاری Anomaly Detection Methods

  • نسخه ی نمایشی: تشخیص ناهنجاری با استفاده از پایتون Demo: Anomaly Detection Using Python

  • خلاصه Summary

نمایش نظرات

آموزش داده های کاوی از وابستگی های متغیر
جزییات دوره
1h 59m
46
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
15
1.8 از 5
دارد
دارد
دارد
Niraj Joshi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Niraj Joshi Niraj Joshi

نیراژ یک ابر متخصص AWS/Azure DevSecOps با بیش از یک دهه تجربه کار در مدل سازی داده با پایگاه های داده مانند Cassandra ، MongoDB ، SparkSQL ، ElasticSearch و SQL Server است. وی بیش از 7 سال سابقه کار در زمینه ویژن رایانه ، هوش مصنوعی ، DevOps ، یادگیری ماشین و Big Data Stack را دارد ، وی مشاور شرکت هایی مانند CISCO ، ERICSSON ، عناصر پویا و JP مورگان بوده است. وی مهارت های تجسم/تجزیه و تحلیل داده ها و کاملاً مسلط به زبانهایی مانند پایتون ، R ، جولیا و اکتاو است.