Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره شامل دسته ای از تکنیک های مهندسی ویژگی است که برای گرفتن بهترین نتیجه از یک مدل یادگیری ماشین مورد استفاده قرار می گیرد ، از جمله انتخاب ویژگی ، و چندین روش استخراج ویژگی برای بیان مجدد ویژگی ها در مناسب ترین شکل. با این وجود یک مدل یادگیری ماشین به خوبی طراحی و اجرا شده است است ، اگر داده های تغذیه شده مهندسی ضعیفی داشته باشد ، پیش بینی های مدل ناامید کننده خواهد بود. در این دوره ، آماده سازی داده ها برای مهندسی ویژگی و یادگیری ماشین ، این توانایی را خواهید داشت که به طور مناسب پیش پردازش داده های خود را انجام دهید - در واقع آن را مهندسی می کنید - تا بتوانید از مدل های ML خود بهترین بهره را ببرید. ابتدا یاد خواهید گرفت که چگونه می توان از تکنیک های انتخاب ویژگی برای یافتن پیش بینی هایی که بیشترین اطلاعات را دارند استفاده کرد. انتخاب ویژگی ها را می توان به طور کلی در سه دسته معروف به فیلتر ، بسته بندی و تکنیک های جاسازی شده قرار داد و همه اینها را درک و پیاده سازی خواهیم کرد. در مرحله بعدی ، خواهید فهمید که استخراج ویژگی چه تفاوتی با انتخاب ویژگی دارد ، به این دلیل که داده ها به طور قابل ملاحظه ای دوباره بیان می شوند ، گاهی اوقات به اشکال قابل تفسیر است. سپس تکنیک های استخراج ویژگی از داده های تصویر و متن را درک خواهید کرد. سرانجام ، با درک چگونگی استفاده از کتابخانه های قدرتمند پایتون برای کار با تصاویر ، متن ، تاریخ ها و داده های جغرافیایی ، دانش خود را جمع آوری می کنید. پس از پایان این دوره ، مهارت و دانش لازم برای شناسایی روشهای صحیح مهندسی ویژگی و راه حلهای مناسب برای موارد مورد استفاده را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
درک نقش ویژگی ها در یادگیری ماشین
Understanding the Role of Features in Machine Learning
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
ویژگی ها و برچسب ها
Features and Labels
گردش کار یادگیری ماشین
The Machine Learning Workflow
اجزای مهندسی ویژگی
Components of Feature Engineering
انتخاب ویژگی ، یادگیری ویژگی و استخراج ویژگی
Feature Selection, Feature Learning, and Feature Extraction
ترکیبی از ویژگی ها و کاهش ابعاد
Feature Combination and Dimensionality Reduction
داده های آموزش ، اعتبار سنجی و آزمون
Training, Validation, and Test Data
اعتبار سنجی متقابل K برابر است
K-fold Cross Validation
خلاصه ماژول
Module Summary
آماده سازی داده ها برای یادگیری ماشین
Preparing Data for Machine Learning
بررسی اجمالی ماژول
Module Overview
مشکلات داده ها
Problems with Data
پرداختن به ارزشهای گمشده
Dealing with Missing Values
معامله با Outlier ها
Dealing with Outliers
استفاده از تکنیک های مختلف برای کنترل مقادیر از دست رفته
Applying Different Techniques to Handle Missing Values
شناسایی و کار با پرت ها
Detecting and Handling Outliers
خواندن و بررسی مجموعه داده ها
Reading and Exploring the Dataset
رگرسیون خطی ساده و چندگانه را انجام دهید
Perform Simple and Multiple Linear Regression
خلاصه ماژول
Module Summary
درک و اجرای انتخاب ویژگی
Understanding and Implementing Feature Selection
بررسی اجمالی ماژول
Module Overview
انواع داده ها
Types of Data
اندازه گیری همبستگی ها
Measuring Correlations
درک انتخاب ویژگی با استفاده از روش های فیلتر ، جاسازی شده و بسته بندی کننده
Understanding Feature Selection Using Filter, Embedded, and Wrapper Methods
انتخاب ویژگی با استفاده از نسبت ارزش از دست رفته
Feature Selection Using Missing Value Ratio
محاسبه و تجسم همبستگی ها با استفاده از پانداها
Calculating and Visualizing Correlations Using Pandas
محاسبه و تجسم همبستگی ها با استفاده از آجر زرد
Calculating and Visualizing Correlations Using Yellowbrick
انتخاب ویژگی با استفاده از روش های فیلتر
Feature Selection Using Filter Methods
انتخاب ویژگی با استفاده از روشهای بسته بندی
Feature Selection Using Wrapper Methods
انتخاب ویژگی با استفاده از روش های جاسازی شده
Feature Selection Using Embedded Methods
خلاصه ماژول
Module Summary
بررسی تکنیک های استخراج ویژگی
Exploring Feature Extraction Techniques
بررسی اجمالی ماژول
Module Overview
نمایش تصاویر به عنوان ماتریس و تکنیک های پیش پردازش تصویر
Representing Images as Matrices and Image Preprocessing Techniques
قابلیت شناسایی و استخراج از تصاویر
Feature Detection and Extraction from Images
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات