آموزش انتخاب ویژگی برای یادگیری ماشین

سرفصل ها و درس ها

معرفی Introduction

• مروری بر برنامه درسی دوره Course Curriculum Overview

• الزامات دوره Course requirements

• هدف دوره Course Aim

• اختیاری: چگونه به این دوره نزدیک شویم Optional: How to approach this course

• مواد دوره Course Material

• کد | نوت بوک های Jupyter The code | Jupyter notebooks

• مطالب ارائه شده در این دوره Presentations covered in this course

• مجموعه داده ها را دانلود کنید Download the data sets

• سوالات متداول: علم داده و برنامه نویسی پایتون FAQ: Data Science and Python programming

انتخاب ویژگی Feature Selection

• انتخاب ویژگی چیست؟ What is feature selection?

• روش های انتخاب ویژگی | بررسی اجمالی Feature selection methods | Overview

• روش های فیلتر Filter Methods

• روش های لفاف دار Wrapper methods

• روش های تعبیه شده Embedded Methods

• حرکت رو به جلو Moving Forward

• بسته های منبع باز برای انتخاب ویژگی Open-source packages for feature selection

روش های فیلتر | مبانی Filter Methods | Basics

• ویژگی های ثابت، شبه ثابت و تکراری - مقدمه Constant, quasi constant, and duplicated features – Intro

• ویژگی های ثابت Constant features

• ویژگی های شبه ثابت Quasi-constant features

• ویژگی های تکراری Duplicated features

• Feature-engine را نصب کنید Install Feature-engine

• افت ثابت و شبه ثابت با Feature-engine Drop constant and quasi-constant with Feature-engine

• موارد تکراری را با Feature-engine رها کنید Drop duplicates with Feature-engine

روش های فیلتر | همبستگی Filter methods | Correlation

• همبستگی - مقدمه Correlation - Intro

• انتخاب ویژگی همبستگی Correlation Feature Selection

• رویه های همبستگی برای انتخاب ویژگی ها Correlation procedures to select features

• همبستگی | نسخه ی نمایشی نوت بوک Correlation | Notebook demo

• روش های اساسی به اضافه خط لوله همبستگی Basic methods plus Correlation pipeline

• همبستگی با ویژگی-موتور Correlation with Feature-engine

• خط لوله انتخاب ویژگی با موتور ویژه Feature Selection Pipeline with Feature-engine

• منابع خواندنی اضافی Additional reading resources

روش های فیلتر | اقدامات آماری Filter methods | Statistical measures

• روش های آماری - مقدمه Statistical methods – Intro

• اطلاعات متقابل Mutual information

• نسخه ی نمایشی اطلاعات متقابل Mutual information demo

• آزمون Chi-Square Chi-square test

• Chi-square | نسخه ی نمایشی Chi-square | Demo

• ملاحظات Chi-square Chi-square considerations

• Chi2 - محاسبه فرکانس های مورد انتظار (اختیاری) Chi2 - calculating the expected frequencies (Optional)

• مسابقه Chi-square Chi-square quiz

• آنوا Anova

• Anova | نسخه ی نمایشی Anova | Demo

• ویژگی ها را بر اساس مقادیر p انتخاب کنید Select features based of p-values

• آیا می خواهید در مورد آمار بیشتر بدانید؟ Do you want to learn more about stats?

• روش های اساسی + همبستگی + فیلتر با خط لوله آمار Basic methods + Correlation + Filter with stats pipeline

روش های فیلتر | سایر روش ها و معیارها Filter Methods | Other methods and metrics

• روش‌ها را با سایر معیارها فیلتر کنید Filter Methods with other metrics

• معیارهای عملکرد مدل تک متغیره Univariate model performance metrics

• معیارهای عملکرد مدل تک متغیره | نسخه ی نمایشی Univariate model performance metrics | Demo

• KDD 2009: ویژگی ها را با رمزگذاری میانگین هدف انتخاب کنید KDD 2009: Select features by target mean encoding

• KDD 2009: انتخاب ویژگی ها با استفاده از کدگذاری | نسخه ی نمایشی KDD 2009: Select features by mean encoding | Demo

• عملکرد مدل تک متغیره با ویژگی موتور Univariate model performance with Feature-engine

• هدف انتخاب رمزگذاری میانگین با ویژگی موتور Target Mean Encoding Selection with Feature-engine

روش های لفاف دار Wrapper methods

• روش های لفاف – مقدمه Wrapper methods – Intro

• MLXtend MLXtend

• قدم به جلو در انتخاب ویژگی Step forward feature selection

• SFS - MLXtend در مقابل Sklearn SFS - MLXtend vs Sklearn

• گام به جلو انتخاب ویژگی | MLXtend Step forward feature selection | MLXtend

• گام به جلو انتخاب ویژگی | sklearn Step forward feature selection | sklearn

• انتخاب ویژگی به عقب برگردید Step backward feature selection

• گام به عقب انتخاب ویژگی | MLXtend Step backward feature selection | MLXtend

• گام به عقب انتخاب ویژگی | Sklearn Step backward feature selection | Sklearn

• جستجوی جامع Exhaustive search

• جستجوی جامع | نسخه ی نمایشی Exhaustive search | Demo

روش های تعبیه شده | مدل های خطی Embedded methods | Linear models

• ضرایب رگرسیون - مقدمه Regression Coefficients – Intro

• انتخاب با ضرایب رگرسیون لجستیک Selection by Logistic Regression Coefficients

• انتخاب با ضرایب رگرسیون خطی Selection by Linear Regression Coefficients

• ضرایب با پنالتی تغییر می کند Coefficients change with penalty

• روش های پایه + همبستگی + روش تعبیه شده با استفاده از ضرایب Basic methods + Correlation + Embedded method using coefficients

روش های تعبیه شده - تنظیم کمند Embedded methods – Lasso regularisation

• منظم سازی - مقدمه Regularisation – Intro

• کمند Lasso

• یادداشتی در مورد SelectFromModel A note on SelectFromModel

• روش های اصلی فیلتر + خط لوله LASSO Basic filter methods + LASSO pipeline

روش های تعبیه شده | درختان Embedded methods | Trees

• انتخاب ویژگی بر اساس اهمیت درخت | مقدمه Feature Selection by Tree importance | Intro

• انتخاب ویژگی بر اساس اهمیت درخت | نسخه ی نمایشی Feature Selection by Tree importance | Demo

• انتخاب ویژگی بر اساس اهمیت درخت | به صورت بازگشتی Feature Selection by Tree importance | Recursively

• انتخاب ویژگی با درختان تصمیم | مرور Feature selection with decision trees | review

روش های انتخاب ویژگی ترکیبی Hybrid feature selection methods

• مقدمه ای بر روش های ترکیبی Introduction to hybrid methods

• به هم زدن ویژگی - مقدمه Feature Shuffling - Intro

• ویژگی های مخلوط کردن | نسخه ی نمایشی Shuffling features | Demo

• حذف ویژگی بازگشتی - مقدمه Recursive feature elimination - Intro

• حذف ویژگی بازگشتی | نسخه ی نمایشی Recursive feature elimination | Demo

• افزودن ویژگی بازگشتی - مقدمه Recursive feature addition - Intro

• افزودن ویژگی بازگشتی | نسخه ی نمایشی Recursive feature addition | Demo

• مخلوط کردن ویژگی با موتور ویژگی Feature Shuffling with Feature-engine

• حذف ویژگی بازگشتی با Feature-engine Recursive feature elimination with Feature-engine

• افزودن ویژگی بازگشتی با Feature-engine Recursive feature addition with Feature-engine

بخش پایانی | مراحل بعدی Final section | Next steps

• منابع خواندنی اضافی Additional reading resources

• تبریک می گویم Congratulations

• سخنرانی پاداش Bonus lecture