آموزش یادگیری ماشین کاربردی: یادگیری گروه

Applied Machine Learning: Ensemble Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
آیا می خواهید مهارت های خود را به عنوان یک تمرین کننده ماشین تمرین کنید، اما نمی دانید کجا شروع کنید؟ شما نیازی به آموزش رسمی در علوم داده ندارید تا به هدف خود ادامه دهید. در این دوره، مربی Derek Jedamski به شما نشان می دهد که چگونه به استفاده از داده های کثیف، پیدا کردن سیگنال در آن، و ساخت مدل هایی که پیش بینی های قدرتمند را با زبان آموزان گروه، یکی از رایج ترین کلاس های الگوریتم های یادگیری ماشین انجام می دهند.


مبانی خط لوله یادگیری ماشین برای پیدا کردن جایی که زبان آموزان گروهی در آن نشسته اند. در مورد نظریه پایه ای که دانش آموزان گروه را درایو می کنند، شامل نمونه هایی از یادگیری گروهی در پایتون و سپس اجرای مدل های خود خود را. کاوش مفاهیم مانند تقویت، بسته بندی و انباشت، و نحوه استفاده از هر و زمانی. ابزارهایی را که نیاز دارید، قدرت پیش بینی کنید و مهارت های یادگیری ماشین خود را امروز پیشرفت کنید.

سرفصل ها و درس ها

معرفی Introduction

  • کشف یادگیری گروه Explore ensemble learning

  • آنچه شما باید بدانید What you should know

  • چه ابزارهایی را نیاز دارید What tools you need

  • با استفاده از فایل های ورزشی Using the exercise files

1. بررسی اصول یادگیری ماشین 1. Review Machine Learning Basics

  • یادگیری ماشین چیست؟ What is machine learning?

  • یادگیری ماشین چگونه در زندگی واقعی ظاهر می شود؟ What does machine learning look like in real life?

  • خط لوله یادگیری پایان به پایان می رسد؟ What does an end-to-end machine learning pipeline look like?

  • تعصب واریانس تجارت Bias-Variance trade-off

  • فصلنامه Chapter Quiz

2. تهیه داده ها 2. Preparing the Data

  • خواندن در داده ها Reading in the data

  • تمیز کردن ویژگی های مداوم Cleaning up continuous features

  • تمیز کردن ویژگی های طبقه بندی شده Cleaning up categorical features

  • تمام قطار، اعتبارسنجی و مجموعه های تست را بنویسید Write out all train, validation, and test sets

  • فصلنامه Chapter Quiz

3. یادگیری گروه چیست؟ 3. What is Ensemble Learning?

  • یادگیری گروه چیست؟ What is ensemble learning?

  • چگونه کار گروهی را انجام می دهد؟ How does ensemble learning work?

  • چرا یادگیری گروه بسیار قدرتمند است؟ Why is ensemble learning so powerful?

  • فصلنامه Chapter Quiz

4. تقویت 4. Boosting

  • تقویت چیست؟ What is boosting?

  • چگونه افزایش خطای کلی را کاهش می دهد؟ How does boosting reduce overall error?

  • چه زمانی باید استفاده از افزایش را در نظر بگیرید؟ When should you consider using boosting?

  • نمونه هایی از الگوریتم هایی که از افزایش استفاده می کنند چیست؟ What are examples of algorithms that use boosting?

  • کاوش الگوریتم های تقویت در پایتون Explore boosting algorithms in Python

  • یک مدل تقویتی را اجرا کنید Implement a boosting model

  • فصلنامه Chapter Quiz

5. کیسه 5. Bagging

  • کیسه چرم؟ What is bagging?

  • چگونه کیسه های کلی خطای کلی را کاهش می دهد؟ How does bagging reduce overall error?

  • چه زمانی باید استفاده از کیسه را در نظر بگیرید؟ When should you consider using bagging?

  • نمونه هایی از الگوریتم هایی هستند که از کیسه های استفاده می کنند؟ What are examples of algorithms that use bagging?

  • کاوش الگوریتم های کیسه ای در پایتون Explore bagging algorithms in Python

  • پیاده سازی یک مدل کیسهای Implement a bagging model

  • فصلنامه Chapter Quiz

6. انباشته شدن 6. Stacking

  • انباشته چیست؟ What is stacking?

  • چگونه انباشته شدن خطای کلی را کاهش می دهد؟ How does stacking reduce overall error?

  • چه زمانی باید از انباشته استفاده کنید؟ When should you consider using stacking?

  • نمونه هایی از الگوریتم هایی که از انباشته استفاده می کنند چیست؟ What are examples of algorithms that use stacking?

  • کشف الگوریتم های انباشته در پایتون Explore stacking algorithms in Python

  • یک مدل انباشته را اجرا کنید Implement a stacking model

  • فصلنامه Chapter Quiz

نتیجه Conclusion

  • مقایسه سه روش Compare the three methods

  • مقایسه تمام مدل ها بر روی مجموعه اعتبار سنجی Compare all models on validation set

  • چگونه به ادامه پیشرفت مهارت های خود ادامه دهید How to continue advancing your skills

  • فصلنامه Chapter Quiz

نمایش نظرات

آموزش یادگیری ماشین کاربردی: یادگیری گروه
جزییات دوره
2h 25m
43
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Derek Jedamski Derek Jedamski

دانشمند داده های ماهر متخصص در یادگیری ماشین

derek jedamski یک دانشمند داده ماهر است که متخصص در یادگیری ماشین است.

Derek دارای تجربه با مدلسازی رگرسیون و طبقه بندی، پردازش زبان طبیعی، تجزیه و تحلیل آماری، کنترل کیفیت، تجزیه و تحلیل کسب و کار، و برقراری ارتباط نتایج فنی به مخاطبان است زمینه های مختلف او همچنین دارای درک کامل از پایتون، R، SQL، Apache Spark و سایر چارچوب های محاسباتی و زبان ها است. در حال حاضر، Derek در Github به عنوان یک دانشمند داده کار می کند.