لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش Zero to Agile Data Science
Zero to Agile Data Science
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
بیاموزید که چگونه به طور مکرر مدل های علم داده را توسعه دهید یادگیری ماشینی علم اطلاعات چابک علم داده ها داده های نامتعادل پیش بینی تقلب در کارت اعتباری پیش بینی انحراف مشتری پیش بینی مشکلات مالی ویژگی مهندسی Hyperparameter تنظیم مجموعه مدل ها طبقه بندی باینری XGBoost تشخیص ناهنجاری پیش نیازها:دانشجویان باید دوره های علوم داده را گذرانده باشند. آشنایی با اجرای نوتبوکهای Jupyter در پایتون آشنایی با بستههای Sicit-Learn دانشآموز باید بتواند محیط Jupyter خود را در لپتاپ یا در فضای ابری راهاندازی کند.
شما یاد خواهید گرفت که چگونه تکنیک های Agile Data Science را در مسائل طبقه بندی از طریق 3 پروژه - پیش بینی تقلب در کارت اعتباری، پیش بینی ریزش مشتری و پیش بینی ناراحتی مالی، به کار ببرید.
هر پروژه دارای 5 تکرار با برچسب "روز 1" تا "روز 5" است که به آرامی شما را از یک طبقهبندیکننده جنگل تصادفی ساده به مجموعهای تنظیمشده از 5 طبقهبندی کننده (XGBoost، LightGBM، درختان تصمیمگیری تقویتشده با گرادیان، درختان اضافی و جنگل تصادفی) بر اساس دادههای نمونهبرداری شده ارزیابی شد.
این دوره برای دانشمندان داده های متوسط که به دنبال گسترش مهارت های خود با موارد زیر هستند ایده آل است:
تشخیص خودکار ستونهای بد در دادههای خام ما (روز 1)
ایجاد معیار خود برای مجموعه داده های نامتعادل (روز 1)
چهار تکنیک نمونهگیری مجدد داده (روز دوم)
بررسی نال ها (روز 2)
دو تکنیک مهندسی ویژه (روز 3)
چهار تکنیک کاهش ویژگی (روز 3)
کاهش ردپای حافظه (روز 3)
تنظیم یک تابع امتیازدهی سفارشی در GridSearchCV (روز 4)
تغییر معیار امتیازدهی پیشفرض برای XGBoost (روز 5)
ساخت متا مدل (روز پنجم)
نوتبوکهای کامل Jupyter با کد منبع و کتابخانهای از توابع قابل استفاده مجدد در اختیار دانشآموزان قرار میگیرد تا در صورت نیاز در پروژههای خود استفاده کنند!
نمایش نظرات