آموزش اصول علوم داده بخش دوم: واحد ۳ - آخرین آپدیت

دانلود Data Science Fundamentals Part 2: Unit 3

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره آموزشی با رویکردی گام‌به‌گام، فرآیند ساخت مدل‌های قدرتمند برای پیش‌بینی نتایج دنیای واقعی و استخراج بینش‌های ارزشمند از داده‌ها را آموزش می‌دهد. شما ابتدا با پایه‌ای قوی در مباحث احتمال و توزیع‌های آماری شروع کرده و نحوه تخمین پارامترها و برازش مدل‌ها را با استفاده از کتابخانه‌های استاندارد صنعتی مانند SciPy و NumPy می‌آموزید. سپس به تئوری و کاربرد تحلیل رگرسیون، مدل‌سازی همبستگی‌ها و تفسیر ضرایب برای دستیابی به هوش تجاری کاربردی می‌پردازید. فراتر از ساخت مدل، مهارت‌های حیاتی در ارزیابی عملکرد مدل، عیب‌یابی خطاهای رایج و درک تفاوت‌های ظریف بین آمار، مدل‌سازی و یادگیری ماشین را کسب خواهید کرد. در پایان این دوره، شما قادر خواهید بود با اطمینان از Scikit-learn برای پیاده‌سازی الگوریتم‌های پیش‌بینی استفاده کنید، تفاوت بین استنتاج و پیش‌بینی را تشخیص دهید و دانش خود را برای حل مسائل پیچیده و واقعی به کار بگیرید.

سرفصل ها و درس ها

اصول علوم داده بخش دوم: واحد ۳ Data Science Fundamentals Part 2: Unit 3

  • سرفصل‌های آموزشی Topics

  • ماشین‌ها چه چیزی را، چرا و چگونه می‌آموزند What, Why, and How Machines Learn

  • طبقه‌بندی یادگیری ماشین A Machine Learning Taxonomy

  • احتمال و مدل‌های مولد Probability and Generative Models

  • تخمین با روش گشتاورها Estimation with the Method of Moments

  • تخمین حداکثر احتمال (MLE) Maximum Likelihood Estimation

  • محاسبه تخمین‌گر حداکثر احتمال، بخش اول Computing the Maximum Likelihood Estimator, Part 1

  • محاسبه تخمین‌گر حداکثر احتمال، بخش دوم Computing the Maximum Likelihood Estimator, Part 2

  • مقدمه‌ای بر یادگیری نظارت شده: رگرسیون کمترین مربعات معمولی Introduction to Supervised Learning: Ordinary Least Squares Regression

  • بصری‌سازی رگرسیون با Seaborn Visualizing Regression with Seaborn

  • رگرسیون تحلیلی با statsmodels Analytical Regression with statsmodels

  • تفسیر مدل‌های رگرسیون Interpreting Regression Models

  • سه روش رگرسیون: MLE، معادله نرمال و گرادیان کاهشی، بخش اول Regression Three Ways - MLE, the Normal Equation, and Gradient Descent, Part 1

  • سه روش رگرسیون: MLE، معادله نرمال و گرادیان کاهشی، بخش دوم Regression Three Ways - MLE, the Normal Equation, and Gradient Descent, Part 2

  • سه روش رگرسیون: MLE، معادله نرمال و گرادیان کاهشی، بخش سوم Regression Three Ways - MLE, the Normal Equation, and Gradient Descent, Part 3

  • ارزیابی رگرسیون Evaluating Regression

  • مقدمه‌ای بر طبقه‌بندی: رگرسیون لجستیک Introduction to Classification: Logistic Regression

  • اجزای یک مدل: فرضیه، تابع هزینه و بهینه‌سازی Components of a Model: The Hypothesis, Cost Function, and Optimization

  • مقدمه‌ای بر scikit learn: کاربرد و مثال رگرسیون لجستیک Introduction to scikit-learn: Logistic Regression Appliedogistic Regression Example

  • ارزیابی مدل‌های طبقه‌بندی Evaluating Classification Models

  • ارزیابی مدل‌ها با scikit learn Evaluating Models with scikit-learn

  • عیب‌یابی یادگیری ماشین: کلاس‌های نامتوازن Debugging Machine Learning: Imbalanced Classes

  • انتخاب مدل: هایپرپارامترها و منظم‌سازی (Regularization) Model Selection--Hyperparameters and Regularization

  • جمع‌بندی دوره Course Summary

نمایش نظرات

آموزش اصول علوم داده بخش دوم: واحد ۳
جزییات دوره
9h 16m
24
(آخرین آپدیت)
56
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده