خوشه بندی و طبقه بندی با یادگیری ماشین در R [ویدئو]

Clustering and Classification with Machine Learning in R [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره راهنمای کامل شما برای یادگیری تحت نظارت و بدون نظارت با استفاده از R است. این دوره تمام جنبه های اصلی علم داده عملی را پوشش می دهد. اگر این دوره را می گذرانید، نیازی به گذراندن دوره های دیگر یا خرید کتاب های علوم داده مبتنی بر R نیست. در این عصر داده های بزرگ، شرکت ها در سرتاسر جهان از R برای بررسی بهمن اطلاعاتی که در اختیار دارند استفاده می کنند. با مهارت در یادگیری بدون نظارت و نظارت در R، می توانید به شرکت خود مزیت رقابتی بدهید و حرفه خود را به سطح بالاتری ببرید. در طول تحقیق، نویسنده متوجه شد که تقریباً تمام دوره‌ها و کتاب‌های علوم داده‌های R ماهیت چند بعدی موضوع را در نظر می‌گیرند. این دوره به شما پایه ای قوی در جنبه های اصلی یادگیری ماشینی می دهد: خوشه بندی و طبقه بندی. برخلاف سایر مربیان R، نویسنده ویژگی‌های یادگیری ماشینی R را عمیقاً بررسی می‌کند و به شما پایه‌ای بی‌نظیر در علم داده می‌دهد! شما از خواندن و تمیز کردن داده ها تا یادگیری ماشینی تا در نهایت پیاده سازی الگوریتم های یادگیری ماشینی قدرتمند و ارزیابی عملکرد آنها از طریق R خواهید رفت. موضوعات زیر پوشش داده خواهد شد: - • معرفی کامل چارچوب R برای علم داده • ساختار داده و خواندن در R، از جمله داده های CSV، Excel و HTML • نحوه پیش پردازش و پاکسازی داده ها با حذف NA/بدون داده، تجسم • یادگیری ماشینی، یادگیری تحت نظارت، و یادگیری بدون نظارت در R • ساخت و انتخاب مدل و خیلی بیشتر! این دوره به شما کمک می کند تا روش هایی را با استفاده از داده های واقعی به دست آمده از منابع مختلف پیاده سازی کنید. بسیاری از دوره ها از داده های ساختگی استفاده می کنند که دانش آموزان را برای پیاده سازی علم داده مبتنی بر R در زندگی واقعی توانمند نمی کند. پس از گذراندن این دوره، به راحتی از بسته های علم داده مانند Caret برای کار با داده های واقعی در R استفاده خواهید کرد. حتی مفاهیمی مانند یادگیری بدون نظارت، کاهش ابعاد و یادگیری تحت نظارت را درک خواهید کرد. همه کدها و فایل های پشتیبانی این دوره در - https://github.com/PacktPublishing/Clustering-and-Classification-with-Machine-Learning-in-R در دسترس هستند. پیش پردازش و بحث اولیه داده ها را در R Studio انجام دهید تکنیک‌های بدون نظارت/خوشه‌بندی مانند خوشه‌بندی K-means را اجرا کنید پیاده سازی تکنیک های کاهش ابعادی (PCA) و انتخاب ویژگی تکنیک های یادگیری نظارت شده/طبقه بندی مانند جنگل های تصادفی را اجرا کنید ارزیابی عملکرد مدل و یادگیری بهترین شیوه ها برای ارزیابی دقت مدل یادگیری ماشینی این دوره برای دانشجویانی است که علاقه مند به شروع کار با برنامه های علم داده در محیط R Studio هستند. دانش آموزانی که مایلند یاد بگیرند که چگونه یادگیری بدون نظارت را بر روی داده های واقعی پیاده سازی کنند. هر کسی که قبلاً در معرض R قرار گرفته است و می خواهد با علم داده عملی شروع کند. آموزش عمیق در مورد همه چیزهایی که برای شروع با علم داده R عملی نیاز دارید را ارائه می دهد * بدون اصطلاحات و مناسب برای افرادی که دارای پیشینه غیر ریاضی هستند * پوشش عمیق آخرین تکنیک های بدون نظارت و نظارت

سرفصل ها و درس ها

مقدمه دوره Introduction to the Course

  • به خوشه بندی و طبقه بندی با یادگیری ماشین در R خوش آمدید Welcome to Clustering & Classification with Machine Learning in R

  • نصب R and R Studio Installing R and R Studio

داده های منابع مختلف را در R بخوانید Read in Data from Different Sources in R

  • در داده های CSV و Excel بخوانید Read in CSV & Excel Data

  • در پوشه زیپ نشده بخوانید Read in Unzipped Folder

  • در CSV آنلاین بخوانید Read in Online CSV

  • در Googlesheets بخوانید Read in Googlesheets

  • در داده ها از جداول HTML آنلاین - قسمت 1 بخوانید Read in Data from Online HTML Tables-Part 1

  • در داده ها از جداول HTML آنلاین - قسمت 2 بخوانید Read in Data from Online HTML Tables-Part 2

  • خواندن داده ها از یک پایگاه داده Read Data from a Database

پیش پردازش و تجسم داده ها Data Pre-processing and Visualization

  • مقادیر از دست رفته را حذف کنید Remove Missing Values

  • پاکسازی اطلاعات بیشتر More Data Cleaning

  • مقدمه ای بر dplyr برای خلاصه کردن داده ها - قسمت 1 Introduction to dplyr for Data Summarizing-Part 1

  • مقدمه ای بر dplyr برای خلاصه کردن داده ها - قسمت 2 Introduction to dplyr for Data Summarizing-Part 2

  • تجزیه و تحلیل داده های اکتشافی (EDA): تجسم های اساسی با R Exploratory Data Analysis (EDA): Basic Visualizations with R

  • تجزیه و تحلیل داده های اکتشافی بیشتر با xda More Exploratory Data Analysis with xda

  • کاوش و تجسم داده با dplyr و ggplot2 Data Exploration & Visualization With dplyr & ggplot2

  • ارتباط بین متغیرهای کمی - نظریه Associations Between Quantitative Variables- Theory

  • تست همبستگی Testing for Correlation

  • رابطه بین متغیرهای اسمی را ارزیابی کنید Evaluate the Relation Between Nominal Variables

  • Cramer's V برای بررسی قدرت ارتباط بین متغیر اسمی Cramer's V for Examining the Strength of Association Between Nominal Variable

یادگیری ماشین برای علم داده Machine Learning for Data Science

  • تفاوت یادگیری ماشینی با تجزیه و تحلیل داده های آماری چیست؟ How is Machine Learning Different from Statistical Data Analysis?

  • یادگیری ماشینی (ML) درباره چیست؟ برخی از نکات نظری What is Machine Learning (ML) About? Some Theoretical Pointers

یادگیری بدون نظارت در R Unsupervised Learning in R

  • K-Means Clustering K-Means Clustering

  • راه های دیگر انتخاب اعداد خوشه ای Other Ways of Selecting Cluster Numbers

  • فازی K-Means Clustering Fuzzy K-Means Clustering

  • K وزن دار به معنی Weighted k-means

  • پارتیشن بندی در اطراف ملوئیدها (PAM) Partitioning Around Meloids (PAM)

  • خوشه بندی سلسله مراتبی در R Hierarchical Clustering in R

  • انتظار-بیشینه سازی (EM) در R Expectation-Maximization (EM) in R

  • خوشه بندی DBSCAN در R DBSCAN Clustering in R

  • مجموعه داده های مختلط را خوشه بندی کنید Cluster a Mixed Dataset

  • آیا حتی باید خوشه بندی کنیم؟ Should We Even Do Clustering?

  • ارزیابی عملکرد خوشه بندی Assess Clustering Performance

  • کدام الگوریتم خوشه بندی را انتخاب کنیم؟ Which Clustering Algorithm to Choose?

کاهش ویژگی/بعد Feature/Dimension Reduction

  • تئوری کاهش ابعاد Dimension Reduction-theory

  • تجزیه و تحلیل اجزای اصلی (PCA) Principal Component Analysis (PCA)

  • اطلاعات بیشتر در مورد PCA More on PCA

  • مقیاس بندی چند بعدی Multidimensional Scaling

  • تجزیه ارزش منفرد (SVD) Singular Value Decomposition (SVD)

انتخاب ویژگی برای انتخاب مرتبط ترین پیش بینی کننده ها Feature Selection to Select the Most Relevant Predictors

  • حذف متغیرهای پیش بینی کننده بسیار همبسته Removing Highly Correlated Predictor Variables

  • انتخاب متغیر با استفاده از رگرسیون LASSO Variable Selection Using LASSO Regression

  • انتخاب متغیر با FSelector Variable Selection with FSelector

  • تجزیه و تحلیل Boruta برای انتخاب ویژگی Boruta Analysis for Feature Selection

تئوری یادگیری تحت نظارت Supervised Learning Theory

  • برخی از مفاهیم اساسی یادگیری تحت نظارت Some Basic Supervised Learning Concepts

  • پیش پردازش برای یادگیری تحت نظارت Pre-processing for Supervised Learning

یادگیری تحت نظارت: طبقه بندی Supervised Learning: Classification

  • GLM چیست؟ What are GLMs?

  • مدل های رگرسیون لجستیک به عنوان طبقه بندی کننده های باینری Logistic Regression Models as Binary Classifiers

  • طبقه بندی باینری با PCA Binary Classifier with PCA

  • چند نکته در مورد ارزیابی دقت Some Pointers on Evaluating Accuracy

  • معیارهای دقت طبقه بندی باینری را بدست آورید Obtain Binary Classification Accuracy Metrics

  • اطلاعات بیشتر در مورد اندازه گیری دقت باینری More on Binary Accuracy Measures

  • تجزیه و تحلیل تشخیص خطی Linear Discriminant Analysis

  • مشکل طبقه بندی چند کلاسه ما Our Multi-class Classification Problem

  • درختان طبقه بندی Classification Trees

  • بیشتر در مورد تجسم درخت طبقه بندی More on Classification Tree Visualization

  • طبقه بندی با بسته حزب Classification with Party Package

  • درختان تصمیم Decision Trees

  • طبقه بندی جنگل تصادفی (RF). Random Forest (RF) Classification

  • اهمیت متغیر فردی را برای جنگل های تصادفی بررسی کنید Examine Individual Variable Importance for Random Forests

  • طبقه بندی GBM GBM Classification

  • ماشین‌های بردار پشتیبانی (SVM) برای طبقه‌بندی Support Vector Machines (SVM) for Classification

  • SVM بیشتر برای طبقه بندی More SVM for Classification

  • اهمیت متغیر در مدلسازی SVM با rminer Variable Importance in SVM Modelling with rminer

سخنرانی های اضافی Additional Lectures

  • فازی C-Means Clustering Fuzzy C-Means Clustering

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

خوشه بندی و طبقه بندی با یادگیری ماشین در R [ویدئو]
جزییات دوره
7 h 42 m
64
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Minerva Singh
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم