آموزش مهندسی ویژگی برای یادگیری ماشین 101: راهنمای جامع - آخرین آپدیت

دانلود Feature Engineering For Machine Learning 101

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

مهندسی ویژگی (Feature Engineering): کلید موفقیت در یادگیری ماشین و هوش مصنوعی

با یادگیری مهندسی ویژگی، داده‌های خام را به گنجینه‌ای ارزشمند برای مدل‌های یادگیری ماشین تبدیل کنید! این دوره به شما کمک می‌کند تا:

  • مهارت‌های لازم برای بررسی، مصورسازی و درک داده‌های خام را کسب کنید.
  • موثرترین ویژگی‌ها را انتخاب کنید.
  • با داده‌های گمشده به طور حرفه‌ای برخورد کنید.
  • روش‌های پیشرفته‌ای مانند کاهش ابعاد را فرا بگیرید.

پیش‌نیازها:

  • دانش پایه برنامه‌نویسی
  • اشتیاق به یادگیری
  • نیاز به دانش ریاضی پیشرفته نیست!

آنچه در این دوره مهندسی ویژگی خواهید آموخت:

  1. 1. رمزگشایی انواع داده‌ها

    • درک ویژگی‌های اسمی، ترتیبی، فاصله‌ای و نسبتی
    • یادگیری نحوه مصورسازی و تفسیر آسان انواع ویژگی‌ها
  2. 2. تسریع EDA با Manus (ابزار هوش مصنوعی)

    • استفاده از Manus، دستیار هوش مصنوعی برای تسریع تحلیل اکتشافی داده (EDA)
    • تولید خودکار نمودارها، آمار خلاصه و بینش‌ها - به سرعت!
    • اجازه دهید هوش مصنوعی به شما در یافتن الگوها و داده‌های پرت بدون کدنویسی دستی کمک کند.
  3. 3. مدیریت داده‌های گمشده مانند یک حرفه‌ای

    • داده‌های گمشده چیست و چرا مهم هستند.
    • استراتژی‌های عملی برای پر کردن شکاف‌های عددی و دسته‌بندی
  4. 4. انتخاب هوشمندانه ویژگی (Feature Selection)

    • استفاده از ANOVA F-Test، Chi-Square و RFE برای انتخاب فقط مفیدترین ویژگی‌ها.
    • ساخت مدل‌های ساده‌تر، سریع‌تر و هوشمندتر.
  5. 5. مهندسی ویژگی با ChatGPT

    • استفاده از پرامپت‌های ChatGPT برای طوفان فکری و ساخت خودکار ویژگی‌های جدید.
    • تسریع گردش کار خود با ایجاد ویژگی مبتنی بر هوش مصنوعی - بدون استرس کدنویسی!
  6. 6. کاهش ابعاد با PCA

    • یادگیری PCA چیست و چه زمانی باید از آن استفاده کرد.
    • کاهش پیچیدگی در عین حفظ مهم‌ترین الگوهای داده.

چرا این دوره مهندسی ویژگی؟

  • طراحی شده برای مبتدیان مطلق (نیازی به ریاضیات یا یادگیری ماشین پیشرفته نیست)
  • سبک آموزش بصری، ساده و شهودی
  • مجموعه داده‌های واقعی، تمرین عملی
  • شامل ابزارهای هوش مصنوعی پیشرفته (ChatGPT، Manus)

دستاوردهای شما پس از اتمام دوره:

  • یک جعبه ابزار کامل برای تبدیل داده‌های خام به ورودی‌های مدل قدرتمند.
  • دانش کاربردی از انتخاب ویژگی، مدیریت داده‌های گمشده، PCA و موارد دیگر.
  • تجربه استفاده از ابزارهای هوش مصنوعی مانند Manus و ChatGPT برای صرفه‌جویی در زمان و افزایش خلاقیت.
  • اعتماد به نفس برای مقابله با هر پروژه یادگیری ماشین با داده‌های پاک‌تر و هوشمندتر.

کلمات کلیدی: مهندسی ویژگی، یادگیری ماشین، هوش مصنوعی، ChatGPT، مدل زبانی بزرگ (LLM)، هوش مصنوعی مولد، Manus، ایجنت هوش مصنوعی


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • چگونه یک نوت‌بوک Colab ایجاد کنیم؟ How to create a colab notebook ?

  • خواندن مجموعه داده ما Reading Our Dataset

  • داده‌های ساختاریافته و ساختارنیافته چیست؟ What is structured and unstructured data ?

  • ویژگی اسمی چیست؟ What is Nominal Feature ?

  • مصورسازی ویژگی‌های اسمی Visualizing the nominal features

  • ویژگی ترتیبی چیست؟ What is Ordinal Feature ?

  • ویژگی فاصله‌ای چیست؟ What is Interval feature ?

  • ویژگی نسبتی چیست؟ What is Ratio features ?

  • یک روز با دانشمند داده: طبقه‌بندی ویژگی‌ها برای ساخت یک مدل هوشمندتر Data Scientist for a Day: Classify Features to Build a Smarter Model

تسریع EDA با دستیار هوش مصنوعی Manus Speed Up EDA With Manus AI Agent

  • EDA چیست؟ What is EDA ?

  • Manus چیست؟ What is Manus ?

  • چگونه از Manus برای انجام EDA استفاده کنیم؟ How to use Manus to do EDA ?

مدیریت مقادیر گمشده Handling missing values

  • مقادیر گمشده چیست؟ What are missing values ?

  • چگونه مقادیر گمشده را در ویژگی‌های عددی مدیریت کنیم How to Handle Missing Values in Numerical Features

  • چگونه مقادیر گمشده را در ویژگی‌های دسته‌بندی مدیریت کنیم How to Handle Missing Values in Categorical Features

  • جلسه توجیهی پاکسازی داده: حل پازل قطعات گمشده Data Cleanup Briefing: Solving the Missing Puzzle Pieces

انتخاب ویژگی Feature Selection

  • انتخاب ویژگی چیست؟ What is Feature Selection ?

  • انتخاب ویژگی با استفاده از تست ANOVA F Feature Selection Using Anova F Test

  • انتخاب ویژگی با استفاده از Chi2 Feature Selection Using Chi2

  • انتخاب ویژگی با RFE Feature Selection With RFE

  • هرج و مرج ویژگی: به تیم کمک کنید تا پیش‌بینی‌کننده‌های مناسب را انتخاب کنند Feature Chaos: Help the Team Select the Right Predictors

مهندسی ویژگی با Chat GPT Feature Engineering With Chat GPT

  • ایجاد ویژگی‌های جدید بر اساس ویژگی‌های عددی با Chat GPT Create New Features Based On The Numerical Features with Chat GPT

  • ایجاد ویژگی‌های پیشرفته‌تر با استفاده از Chat GPT Creating more advanced features using Chat GPT

کاهش ابعاد با PCA Dimensionality reduction with PCA

  • مقدمه PCA PCA introduction

  • PCA در عمل PCA in Action

نمایش نظرات

آموزش مهندسی ویژگی برای یادگیری ماشین 101: راهنمای جامع
جزییات دوره
2 hours
23
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
4,461
4.6 از 5
دارد
دارد
دارد
Riad Almadani
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Riad Almadani Riad Almadani

Expert ar Kaggle نام من ریاد است. من یکی از کارشناسان سایت Kaggle و متخصص در یادگیری ماشینی، Deeplearning و زبان برنامه نویسی پایتون هستم که قبلاً در دو مسابقه Kaggle برنده شدم، اولی "MOA" و دومی petfinder. من همچنین در بحث ها و کدنویسی متخصص هستم. من همچنین با برنامه های اندروید و همچنین دستگاه های جاسازی تجربه دارم.