آموزش مدل های ML را با پایتون و T-SQL توسعه دهید - آخرین آپدیت

مقدمه Introduction

• قفل پتانسیل: Python و SQL Server برای ML Unlocking potential: Python and SQL Server for ML

• آنچه باید بدانید What you should know

1. بررسی اجمالی 1. Overview

• تنظیم محیط توسعه Setting up the development environment

2. تنظیم پروژه 2. Project Setup

• توسعه مدل Model development

• کتابخانه ها و ماژول های پایتون Python libraries and modules

3. با استفاده از مدل 3. Using the Model

• بررسی اجمالی پروژه Project overview

• نسخه ی نمایشی: بارگیری داده های طبقه بندی Demo: Loading classification data

• نسخه ی نمایشی: بارگیری داده ها برای تجزیه و تحلیل احساسات Demo: Loading data for sentiment analysis

• نسخه ی نمایشی: استفاده از داده ها برای خط لوله ، اعتبار سنجی متقابل و هایپرپارامترها Demo: Using data for pipeline, cross validation, and hyperparameters

• نسخه ی نمایشی: آموزش و استفاده از مدل برای پیش بینی طبقه بندی Demo: Training and using the model for classification predictions

• نسخه ی نمایشی: بارگیری داده های مسکن برای خط لوله ، اعتبار سنجی متقابل و هایپرپارامترها Demo: Loading housing data for pipeline, cross validation, and hyperparameters

• نسخه ی نمایشی: با استفاده از مدل برای پیش بینی های رگرسیون خطی Demo: Using the model for linear regression predictions

• نسخه ی نمایشی: آموزش و استفاده از مدل برای پیش بینی های تجزیه و تحلیل احساسات Demo: Training and using the model for sentiment analysis predictions

• نسخه ی نمایشی: آموزش مدل برای رگرسیون خطی Demo: Training the model for linear regression

4. مشکلات رایج و مراحل بعدی 4. Common Pitfalls and Next Steps

• مشکلات مشترک Common pitfalls

• بهترین روشها Best practices

• مراحل بعدی Next steps