آموزش ساخت مدل های رگرسیون با یادگیری دقیق

Building Regression Models with scikit-learn

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

  • رگرسیون نزدیکترین همسایگان Nearest Neighbors Regression

  • اجرای رگرسیون K نزدیکترین همسایگان Implementing K-nearest-neighbors Regression

  • رگرسیون نزولی شیب تصادفی Stochastic Gradient Descent Regression

  • اجرای رگرسیون نزول گرادیان تصادفی Implementing Stochastic Gradient Descent Regression

  • بازگشت درخت تصمیم گیری Decision Tree Regression

  • اجرای رگرسیون درخت تصمیم Implementing Decision Tree Regression

  • رگرسیون حداقل زاویه Least Angle Regression

  • پیاده سازی رگرسیون حداقل زاویه Implementing Least Angle Regression

  • رگرسیون با روابط چند جمله ای Regression with Polynomial Relationships

  • خلاصه ماژول Module Summary

تنظیم Hyperparameter برای مدل های رگرسیون Hyperparameter Tuning for Regression Models

  • بررسی اجمالی ماژول Module Overview

  • تنظیم Hyperparameter Hyperparameter Tuning

  • تنظیم Hyperparameter برای رگرسیون Lasso با استفاده از جستجوی شبکه Hyperparameter Tuning for Lasso Regression Using Grid Search

  • تنظیم مدلهای مختلف رگرسیون با استفاده از جستجوی شبکه Tuning Different Regression Models Using Grid Search

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

نظری ارسال نشده است.

آموزش ساخت مدل های رگرسیون با یادگیری دقیق
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
2h 42m
48
Pluralsight (پلورال سایت) pluralsight-small
07 تیر 1398 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
27
5 از 5
دارد
دارد
دارد
Janani Ravi

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.