آموزش مدل سازی و ارزیابی برای دانشمندان داده

Model Building and Evaluation for Data Scientists

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ساخت و ارزیابی مدل‌های یادگیری ماشینی (ML) تعداد بی‌شماری از فرصت‌های تجاری با ارزش را برای سازمان‌هایی که قادر به انجام این کار به طور مؤثر هستند، باز می‌کند. اما دانشمندان داده، با درک قوی از آمار، انبار داده ها و تجزیه و تحلیل داده ها، قبل از ایجاد یک مدل موثر ML باید بر چه مهارت هایی مسلط شوند؟ در این دوره آموزشی، مدل سازی و ارزیابی برای دانشمندان داده، پایه محکمی از مبانی ساخت و ارزیابی مدل، با مهارت های اصلی مورد نیاز برای شروع ساخت و به کارگیری مدل های خود را خواهید آموخت. ابتدا، یاد خواهید گرفت که انواع مختلف مجموعه داده ها و الزامات موفقیت کسب و کار را با نوع مدلی که برای استنتاج از آن داده ها یا دستیابی به آن هدف مناسب است، مطابقت دهید. در مرحله بعد، تکنیک‌های پیشرفته پردازش و آماده‌سازی داده‌ها، مانند مهندسی ویژگی و خطوط لوله داده‌های پیوسته را بررسی خواهید کرد، که همگی می‌توانند برای بهبود عملکرد و نتایج مدل استفاده شوند. در نهایت، نحوه ارزیابی مدل ها، درک معیارهای ارزیابی، و تنظیم داده ها و خطوط لوله آموزشی مدل برای بهینه سازی عملکرد را خواهید یافت. پس از اتمام این دوره، مهارت‌های ساخت و ارزیابی مدل ML مورد نیاز برای آموزش و ارزیابی مدل‌های چند نوع مختلف و بهبود عملکرد آنها و دانش لازم برای ادامه یادگیری مهارت‌های ML را خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

تبدیل داده ها به مدل های موثر ML Turning Data into Effective ML Models

  • تطبیق مجموعه داده ها و اهداف تجاری با انواع مدل ML Matching Datasets and Business Goals to ML Model Types

  • آماده سازی داده ها برای آموزش مدل ML Data Preparation for ML Model Training

  • مهندسی ویژگی Feature Engineering

ارزیابی و بهینه سازی مدل های ML Evaluating and Optimizing ML Models

  • ارزیابی مدل های ML Evaluating ML Models

  • مقابله با خطاها و مدل های ضعیف Dealing with Errors and Underperforming Models

  • بهینه سازی عملکرد مدل با فراپارامترها Optimizing Model Performance with Hyperparameters

نمایش نظرات

آموزش مدل سازی و ارزیابی برای دانشمندان داده
جزییات دوره
28m
7
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Daniel Stern
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Daniel Stern Daniel Stern

Daniel Stern یک رمزگذار ، توسعه دهنده وب و علاقه مند به برنامه نویسی از تورنتو ، انتاریو است ، جایی که او به عنوان یک توسعه دهنده و طراح مستقل کار می کند. دانیل از روزهای برقراری ارتباط تلفنی با فناوری های وب کار می کند و به ویژه علاقه زیادی به جاوا اسکریپت ، CSS ، آنگولار ، React و TypeScript دارد. در طول کار خود به عنوان یک توسعه دهنده منبع باز ، وی بسیاری از ابزارهای وب با استانداردهای جامعه از جمله Angular Audio و Range.CSS را ایجاد کرده است. ابزار وی ، Range.CSS ، در مقاله مهمان در CSS-Tricks.com و در CSS Weekly به نمایش در آمد. دانیل همچنین دانش خود را از طریق سخنرانی به اشتراک می گذارد ، مانند لندن ، انگلیس در Full Stack Conf 2014 که در آن سخنرانی در مورد بهترین روش های صوتی وب و Angular را ارائه داد. فیلم های سخنرانی دانیل در نشریاتی مانند JavaScript Weekly به نمایش در آمده است. دانیل در تورنتو ، انتاریو زندگی می کند و از ساخت موسیقی الکترونیکی و خواندن Game of Thrones در موارد نادر که کد نویسی نمی کند ، لذت می برد.