آموزش استخراج داده ها از وابستگی های متغیر

Mining Data from Variable Dependencies

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره چندین مدل مانند شبکه های Bayesian ، LBP ، حذف متغیر و غیره را به شما می آموزد که با کمک آنها می توانید روابط پیچیده ای را از طریق چندین متغیر ورودی یا ویژگی استخراج کنید. داده های استخراج شامل ایجاد روابط پیچیده احتمالی بین متغیرهای متعدد است. در این دوره ، استخراج داده ها از وابستگی های متغیر ، شما می آموزید که از مدل های نمودار احتمالی برای استخراج روابط پیچیده بین متغیرها/ویژگی ها استفاده کنید. ابتدا شبکه های Bayesian را کشف خواهید کرد. در مرحله بعدی ، D Separation را پیدا خواهید کرد. سرانجام ، شما یاد خواهید گرفت که چگونه تقسیم اطلاعات را انجام دهید. پس از پایان این دوره ، مهارت و دانش مدل های احتمالی پایتون را برای کشف روابط بین متغیرها/ویژگی های ورودی برای استخراج احتمالات مشترک یا تأثیر ویژگی ها بر 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 استخراج داده ها از وابستگی های متغیر
جزییات دوره
1h 59m
46
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
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.