لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین و مبانی هوش مصنوعی: برآورد ارزش
Machine Learning and AI Foundations: Value Estimations
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
تخمین ارزش - یکی از متداول ترین انواع الگوریتم های یادگیری ماشین - می تواند با مشاهده اطلاعات مرتبط ، به طور خودکار مقادیر را تخمین بزند. به عنوان مثال ، یک وب سایت می تواند بر اساس موقعیت و مشخصات ملک ، ارزش یک خانه را تعیین کند. در این دوره مبتنی بر پروژه ، چگونگی استفاده از یادگیری ماشین برای ساختن یک سیستم تخمین ارزش را که می تواند ارزش یک خانه را استنباط کند ، کشف کنید. آدام گیتگی را دنبال کنید تا او در چگونگی استفاده از نمونه داده ها برای ساختن مدل یادگیری ماشین پیگیری کند و سپس از آن مدل در برنامه های خود استفاده کنید. اگرچه پروژه ارائه شده در این دوره بر املاک و مستغلات متمرکز است ، شما می توانید برای حل هر نوع مشکل برآورد ارزش با یادگیری ماشین از همان روش استفاده کنید.
موضوعات شامل:
تنظیم محیط توسعه li>
ساخت یک برآوردگر ساده ارزش خانه li>
پیدا کردن بهترین اوزان به صورت خودکار li>
کار با مجموعه داده های بزرگ به طور کارآمد li>
آموزش مدل یادگیری ماشین تحت نظارت li>
بررسی مجموعه داده های ارزش خانه li>
تصمیم گیری در مورد مقدار داده مورد نیاز li>
آماده سازی ویژگی ها li>
آموزش برآوردگر ارزش li>
اندازه گیری دقت با میانگین خطای مطلق li>
بهبود سیستم li>
استفاده از مدل یادگیری ماشین برای پیش بینی li>
سرفصل ها و درس ها
مقدمه
Introduction
خوش آمدی
Welcome
آنچه باید بدانید
What you should know
با استفاده از پرونده های تمرینی
Using the exercise files
محیط توسعه را تنظیم کنید
Set up the development environment
1. یادگیری ماشین و پیش بینی ارزش چیست؟
1. What Is Machine Learning and Value Prediction?
یادگیری ماشین چیست؟
What is machine learning?
نظارت بر یادگیری ماشین برای پیش بینی ارزش
Supervised machine learning for value prediction
یک برآوردگر ارزش خانه ساده بسازید
Build a simple home value estimator
بهترین وزنها را بطور خودکار پیدا کنید
Find the best weights automatically
استفاده جالب از پیش بینی ارزش
Cool uses of value prediction
2. مروری بر ساختن یک سیستم یادگیری ماشین
2. An Overview of Building a Machine Learning System
آشنایی با NumPy ، scikit-Learn و پاندا
Introduction to NumPy, scikit-learn, and pandas
در بردارها فکر کنید: چگونه با مجموعه دادههای بزرگ کارآمد کار کنیم
Think in vectors: How to work with large data sets efficiently
گردش کار اصلی برای آموزش یک مدل یادگیری ماشین نظارت شده
The basic workflow for training a supervised machine learning model
تقویت گرادیان: یک الگوریتم یادگیری همه کاره ماشین
Gradient boosting: A versatile machine learning algorithm
3. داده های آموزش
3. Training Data
مجموعه داده های ارزش خانه را کاوش کنید
Explore a home value data set
کنوانسیون های استاندارد برای نامگذاری داده های آموزش
Standard conventions for naming training data
تصمیم بگیرید که چه مقدار داده لازم دارید
Decide how much data you need
4. ویژگی ها
4. Features
مهندسی ویژگی
Feature engineering
بهترین ویژگی ها را برای پیش بینی ارزش خانه انتخاب کنید
Choose the best features for home value prediction
تا حد امکان از چند ویژگی استفاده کنید: نفرین ابعاد
Use as few features as possible: The curse of dimensionality
5- کدگذاری سیستم ما
5. Coding Our System
ویژگی ها را آماده کنید
Prepare the features
آموزش در مقابل داده های آزمایش
Training vs. testing data
برآوردگر ارزش را آموزش دهید
Train the value estimator
دقت را با میانگین خطای مطلق اندازه گیری کنید
Measure accuracy with mean absolute error
6. بهبود سیستم ما
6. Improving Our System
بیش از حد و زیرانداز
Overfitting and underfitting
راه حل نیروی بی رحم: جستجوی شبکه
The brute force solution: Grid search
انتخاب ویژگی ها
Feature selection
7. استفاده از برآوردگر در یک برنامه دنیای واقعی
7. Using the Estimator in a Real-World Program
مقادیر داده های جدید را پیش بینی کنید
Predict values for new data
طبقه بندیگر را با داده های تازه بکشید
Retrain the classifier with fresh data
Adam Geitgey یک توسعه دهنده است که از چگونگی تغییر یادگیری ماشینی توسعه نرم افزار اسیر می شود.
پیشینه وی در ساخت وب سایت های در مقیاس بزرگ و کمک به راه اندازی ها در سیلیکون ولی در استفاده از یادگیری ماشین است. او اشتیاق به عملی کردن تئوری دارد - پیشرفت های مهم در یادگیری ماشین و به اشتراک گذاری آنها با توسعه دهندگان نرم افزار در تمام سطوح مهارت.
نمایش نظرات