نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در یادگیری ماشینی ، مجموعه ویژگی ها می توانند به سرعت پیچیده و خسته کننده شوند. این دوره به شما مهارت های لازم برای کاهش پیچیدگی مجموعه ویژگی های شما را می دهد تا به شما کمک کند بینش بهتر و سازگار تری نسبت به داده های خود داشته باشید. اگر در حال ساخت مدل هایی برای علم داده هستید ، مجموعه ویژگی های شما به سرعت پیچیده و دشوار می شوند فهمیدن. در این دوره ، کاهش پیچیدگی در داده ها در Microsoft Azure ، شما می آموزید که چگونه پیچیدگی مجموعه ویژگی ها را کاهش داده ، مدل ها را قابل فهم تر ، ساخت ساده تر و مقاوم تر کنید. ابتدا یاد می گیرید که از پیچیدگی مجموعه ویژگی ها و چگونگی تأثیر آن بر مدل های خود مطلع شوید. در مرحله بعدی ، شما طیف وسیعی از تکنیک های مختلف را برای بهبود پیچیدگی مجموعه ویژگی های خود کشف خواهید کرد. سرانجام ، شما روش های پیشرفته مختلفی را برای کاهش پیچیدگی مجموعه ویژگی ها کشف خواهید کرد. هنگامی که با این دوره به پایان رسیدید ، مهارت ها و دانش لازم برای کاهش پیچیدگی مدل های خود را خواهید داشت و مدل های ساده تر و قابل مدیریتی را ایجاد می کنید ، که منجر به بینش بهتر و سازگارتر در مورد داده های شما می شود.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
درک اینکه ویژگی چگونه پیچیدگی بر کیفیت مدل تأثیر می گذارد
Understanding How Feature Set Complexity Impacts Model Quality
-
مقدمه و بررسی اجمالی ماژول
Introduction and Module Overview
-
پیچیدگی مجموعه ویژگی ها
Feature Set Complexity
-
منابع خطای مدل
Sources of Model Error
-
اندازه گیری و تشخیص مشکلات ناشی از پیچیدگی مجموعه ویژگی ها
Measuring and Detecting Problems Due to Feature Set Complexity
-
پیچیدگی مجموعه ویژگی چگونه بر تفسیرپذیری مدل تأثیر می گذارد
How Feature Set Complexity Impacts Model Interpretability
-
نسخه ی نمایشی
Demo
-
خلاصه
Summary
استفاده از تکنیک های کاهش ویژگی مبتنی بر معیارها
Applying Criteria-based Feature Reduction Techniques
-
مقدمه و بررسی اجمالی ماژول
Introduction and Module Overview
-
دلایل حذف ویژگی
Reasons For Feature Elimination
-
تکنیک های تک متغیره
Univariate Techniques
-
آزمون های آماری چگونه کار می کنند
How Statistical Tests Work
-
تکنیک های دو متغیره
Bivariate Techniques
-
تکنیک های چند متغیره
Multivariate Techniques
-
نسخه ی نمایشی
Demo
-
خلاصه
Summary
استفاده از تجزیه و تحلیل مincipلفه اصلی برای کاهش مجموعه های عددی
Using Principal Component Analysis to Reduce Numeric Feature Sets
-
مقدمه و بررسی اجمالی ماژول
Introduction and Module Overview
-
PCA
PCA
-
PCA چگونه کار می کند
How PCA Works
-
KPCA
KPCA
-
محدودیت های PCA
PCA Limitations
-
نسخه ی نمایشی
Demo
-
خلاصه
Summary
پردازش مجموعه های طبقه بندی یا متن
Processing Categorical or Text Feature Sets
-
مقدمه و بررسی اجمالی ماژول
Introduction and Module Overview
-
چگونه می توان مجموعه های طبقه بندی یا ویژگی های متنی را پردازش کرد؟
How Can You Process Categorical or Text Feature Sets?
-
LDA
LDA
-
آموزش فرهنگ لغت
Dictionary Learning
-
t-SNE
t-SNE
-
نسخه ی نمایشی
Demo
-
خلاصه
Summary
فراتر از PCA برای کاهش پیچیدگی در مجموعه های عددی
Going beyond PCA to Reduce Complexity in Numeric Feature Sets
-
مقدمه و بررسی اجمالی ماژول
Introduction and Module Overview
-
k-به معنای انباشت مدل است
k-means Model Stacking
-
k-means چگونه کار می کند
How k-means Works
-
رمزگذاران خودکار
Autoencoders
-
یادگیری چند برابر
Manifold Learning
-
نسخه ی نمایشی
Demo
-
خلاصه
Summary
نمایش نظرات