لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین و هوش مصنوعی: درختان تصمیم گیری پیشرفته با SPSS
Machine Learning and AI: Advanced Decision Trees with SPSS
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
اگر برای درک یادگیری ماشین کار می کنید، مهم است که بدانید چگونه با درختان تصمیم کار کنید. در این دوره، مفاهیم پیشرفته و جزئیات الگوریتم های درخت تصمیم را بررسی کنید. در مورد الگوریتم QUEST و نحوه مدیریت آن با متغیرهای اسمی، متغیرهای ترتیبی و پیوسته و داده های از دست رفته بیاموزید. الگوریتم C5.0 را کاوش کنید و برخی از ویژگی های کلیدی آن مانند هرس جهانی و بریدن را مرور کنید. بهعلاوه، در چند موضوع پیشرفته که برای همه درختهای تصمیمگیری اعمال میشود، مانند تقویت و بستهبندی، شیرجه بزنید.
اهداف یادگیری
درک توابع و برنامه های کاربردی QUEST
مفاهیم C5.0 و کاربردهای عملی
درک به دست آوردن اطلاعات
جنگل های تصادفی
تقویت و بسته بندی
هزینه ها و پیشینه ها
سرفصل ها و درس ها
معرفی
Introduction
خوش آمدی
Welcome
آنچه شما باید بدانید
What you should know
با استفاده از فایل های تمرین
Using the exercise files
1. درک QUEST
1. Understanding QUEST
بررسی اجمالی
Overview
QUEST چگونه متغیرهای اسمی را مدیریت می کند
How QUEST handles nominal variables
QUEST چگونه متغیرهای ترتیبی و پیوسته را مدیریت می کند
How QUEST handles ordinal and continuous variables
QUEST چگونه داده های از دست رفته را مدیریت می کند
How QUEST handles missing data
هرس در QUEST
Pruning in QUEST
قوانین توقف در QUEST
Stopping rules in QUEST
امتحان فصل
Chapter Quiz
2. درک C5.0
2. Understanding C5.0
ID3 و C4.5
ID3 and C4.5
ویژگی های برنده
Winnowing attributes
مجموعه قوانین
Rule sets
درک به دست آوردن اطلاعات
Understanding information gain
هرس در C5.0
Pruning in C5.0
چگونه C5.0 داده های از دست رفته را مدیریت می کند
How C5.0 handles missing data
امتحان فصل
Chapter Quiz
3. موضوعات پیشرفته
3. Advanced Topics
گروه ها
Ensembles
کیسه کشی چیست؟
What is bagging?
استفاده از کیسه برای انتخاب ویژگی
Using bagging for feature selection
داده کاو ، مربی ، سخنران ، نویسنده
کیت مک کورمیک یک کاوشگر اطلاعات ، مربی ، سخنران و نویسنده مستقل است.
کیت در توضیح روشهای پیچیده برای کاربران جدید یا تصمیم گیرندگان در سطوح مختلف از جزئیات فنی مهارت دارد. وی متخصص در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی از جمله درختان طبقه بندی ، شبکه های عصبی ، مدل خطی کلی ، تجزیه خوشه و قوانین ارتباط است.
نمایش نظرات