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 تکنیک های مهمی مانند رگرسیون حداقل مربعات معمولی ، حرکت به لاسو ، رج و شبکه الاستیک و تکنیک های پیشرفته مانند پشتیبانی از رگرسیون برداری برداری و رگرسیون نزول گرادیان تصادفی را پوشش می دهد. این دوره بخشی از موارد زیر است: ساختن راه حل های یادگیری ماشین با مسیر یادگیری دقیق همه را بزرگ کنید بررسی اجمالی دوره 1m 48s درک رگرسیون خطی به عنوان یک مسئله یادگیری ماشین 42 متر 0 ثانیه ساخت یک مدل خطی ساده 29m 47s ساخت مدل های رگرسیون منظم 35 متر 14 ثانیه انجام رگرسیون با استفاده از چندین تکنیک 36 متر 54s تنظیم Hyperparameter برای مدل های رگرسیون 16m 33s علائم تجاری و نامهای تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
درک رگرسیون خطی به عنوان یک مسئله یادگیری ماشین
Understanding Linear Regression as a Machine Learning Problem
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
اتصال نقاط با رگرسیون خطی
Connecting the Dots with Linear Regression
به حداقل رساندن خطای حداقل مربع
Minimizing Least Square Error
نصب و تنظیم scikit-learn
Installing and Setting up scikit-learn
کاوش مجموعه اتومبیل Mpg
Exploring the Automobile Mpg Dataset
تجسم روابط و همبستگی ها در ویژگی ها
Visualizing Relationships and Correlations in Features
کاهش خطرات در رگرسیون ساده و چندگانه
Mitigating Risks in Simple and Multiple Regression
R- مربع و تنظیم R-مربع
R-squared and Adjusted R-squared
رگرسیون با متغیرهای دسته ای
Regression with Categorical Variables
خلاصه ماژول
Module Summary
ساخت یک مدل خطی ساده
Building a Simple Linear Model
بررسی اجمالی ماژول
Module Overview
رگرسیون خطی ساده
Simple Linear Regression
رگرسیون خطی با چندین ویژگی
Linear Regression with Multiple Features
استاندارد سازی داده های عددی
Standardizing Numeric Data
رمزگذاری برچسب و داده های طبقه بندی یکبار داغ
Label Encoding and One-hot Encoding Categorical Data
رگرسیون خطی و دام ساختگی
Linear Regression and the Dummy Trap
خلاصه ماژول
Module Summary
ساخت مدل های رگرسیون منظم
Building Regularized Regression Models
بررسی اجمالی ماژول
Module Overview
بررسی اجمالی مدلهای رگرسیون در یادگیری دقیق
Overview of Regression Models in scikit-learn
نصب بیش از حد و منظم سازی
Overfitting and Regularization
رگرسیون خالص Lasso ، Ridge و Elastic
Lasso, Ridge and Elastic Net Regression
تعریف توابع کمکی برای ساخت و آموزش مدل ها و مقایسه نتایج
Defining Helper Functions to Build and Train Models and Compare Results
یک ویژگی ، سینک ظرفشویی آشپزخانه و رگرسیون خطی پارامونی
Single Feature, Kitchen Sink, and Parsimonious Linear Regression
رگرسیون لاسو
Lasso Regression
رگرسیون ریج
Ridge Regression
رگرسیون خالص الاستیک
Elastic Net Regression
خلاصه ماژول
Module Summary
انجام رگرسیون با استفاده از چندین تکنیک
Performing Regression Using Multiple Techniques
بررسی اجمالی ماژول
Module Overview
انتخاب الگوریتم های رگرسیون
Choosing Regression Algorithms
از رگرسیون برداری پشتیبانی کنید
Support Vector Regression
پیاده سازی رگرسیون برداری پشتیبانی
Implementing Support Vector Regression
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