آموزش داده های کاوی از وابستگی های متغیر

دانلود Mining Data from Variable Dependencies

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      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 نظریه احتمال Introduction to Probability Theory

      • توزیع احتمال Probability Distributions

      • احتمال مشروط و قانون 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

      • مقدمه ای بر نظریه نمودار Introduction to Graph Theory

      • پارامتر شدن شرطی Conditional Parametrization

      • نسخه ی نمایشی: توزیع مشترک Demo: Joint Distribution

      • شبکه بیزیان Bayesian Network

      • انواع استدلال Types of Reasoning

      • نسخه ی نمایشی: شبکه بیزی Demo: Bayesian Network

      • D جدایی D Separation

      • نسخه ی نمایشی: D جدایی Demo: D Separation

      • مقدمه ای بر مدل Naive Bayes Introduction to Naive Bayes Model

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

      • خلاصه Summary

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

      • مقدمه ای بر یادگیری ساختار Introduction to Structure Learning

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

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

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

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

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

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

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

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

      • خلاصه Summary

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

      • مقدمه ای بر یادگیری پارامتر Introduction to Parameter Learning

      • عملکرد Likelihood 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 مصاحبه شغلی مطالعه موردی 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 Bayes 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 بر 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.