لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش عملی Scikit برای یادگیری ماشین [ویدئو]
Hands-on Scikit-learn for Machine Learning [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
Scikit-learn مسلماً امروزه محبوب ترین کتابخانه پایتون برای یادگیری ماشین است. هزاران دانشمند داده و متخصص یادگیری ماشین از آن برای کارهای روزانه در طول چرخه عمر پروژه یادگیری ماشین استفاده می کنند. به دلیل محبوبیت و پوشش طیف گسترده ای از مدل های ML و ابزارهای داخلی، مشاغل برای Scikit-learn هم در صنعت و هم در دانشگاه ها تقاضای زیادی دارند.
اگر شما یک مهندس مشتاق یادگیری ماشین هستید و آماده انجام پروژههای دنیای واقعی هستید، Hands-on Scikit-Learn for Machine Learning شما را از متداولترین مدلها، کتابخانهها و ابزارهای کاربردی ارائه شده توسط Scikit-learn راهنمایی میکند.
در پایان دوره، شما مجموعه ای از ابزارهای حل مسئله ML را در قالب ماژول های کد و توابع کاربردی مبتنی بر Scikit-learn در یک مکان به جای پخش در چندین کتاب و دوره خواهید داشت که می توانید به راحتی از آنها استفاده کنید. در پروژه های دنیای واقعی و مجموعه داده ها.
تمامی کدها و فایل های پشتیبانی این دوره در Github در آدرس زیر موجود است:
https://github.com/PacktPublishing/Hands-on-Scikit-learn-for-Machine-Learning-V-
* حل مشکلات دنیای واقعی در یادگیری ماشین از طریق یک فرآیند ساختاریافته با استفاده از Scikit-learn
* با استفاده از قدرت و سادگی Scikit-learn، در زمان کمتر و با کد بسیار کمتر، به میزان قابل توجهی بیشتر دست یابید.
* با رگرسیون، طبقه بندی و یادگیری بدون نظارت مانند خوشه بندی و PCA، درک کاملی از تجزیه و تحلیل های پیش بینی کننده اصلی ایجاد کنید.
* مدلهای گروهی را با روشهای Random-Forest و Gradient-boosting ایجاد کنید و عملکرد مدل خود را به شدت بهبود دهید
* مجموعه ای از ابزارها و تکنیک هایی بسازید که به راحتی می توان آنها را در پروژه های خود به کار برد
* شهود پشت مدل ها و الگوریتم های یادگیری ماشینی معاصر را بدون وارد شدن به جزئیات عمیق ریاضی کشف کنید
* توانایی ارزیابی و بهبود دقت و عملکرد مدل های یادگیری ماشین را توسعه دهید
* پایه های تجزیه و تحلیل متن را کاوش کنید و مجموعه ای از ابزارها را برای اعمال در وظایف رایج تجزیه و تحلیل متن خود ایجاد کنید.
اگر توسعهدهنده نرمافزار، مهندس یادگیری ماشین یا تحلیلگر داده هستید و میخواهید از Scikit-learn برای کارهای مختلف یادگیری ماشین و تجزیه و تحلیل استفاده کنید، این دوره برای شما مناسب است. شما باید درک بسیار ابتدایی از یادگیری ماشین و تجزیه و تحلیل داده داشته باشید. با این حال، دانش Scikit-learn مورد نیاز نیست. دانش برنامه نویسی پایتون و درک اولیه Numpy و کتابخانه پانداها فرض شده است. * تکنیک ها و فرآیندهای یادگیری ماشین و عملکردهای پرکاربرد Scikit-learn را برای یک کار خاص ارائه می دهد، به کار ببرید. * * با رویکرد عملی عملی، سیستمهای قدرتمند ML هوشمند را با حداقل تلاش بسازید * * مجموعه دادهها را از مجموعه متنوعی از حوزههای مشکل ML، با استفاده از مدلها و تکنیکهای مختلف کاوش کنید. *
سرفصل ها و درس ها
شروع با یک مدل ساده ML در Scikit-learn
Getting Started with a Simple ML Model in Scikit-learn
بررسی اجمالی دوره
The Course Overview
اهداف دوره، نصب و راه اندازی نرم افزار
Course Objectives, Software Installation, and Setup
مروری بر Scikit-learn
Overview of Scikit-learn
مثال گردش کار برنامه نویسی Scikit-Learn
Scikit-learn Programming Workflow Example
استفاده از مدل KNN در مجموعه داده سرطان
Applying a KNN Model on Cancer Dataset
بهبود عملکرد KNN در مجموعه داده سرطان
Improving the KNN Performance on Cancer Dataset
مدل های طبقه بندی
Classification Models
رگرسیون خطی و لجستیک
Linear and Logistic Regression
استفاده از DBSCAN با Scikit-learn
Applying DBSCAN with Scikit-learn
بهبود عملکرد مدل ML
Improving ML Model Performance
مدیریت ارزش های گمشده و پاکسازی داده ها
Handling Missing Values and Data Cleaning
مدیریت مقادیر از دست رفته و مقیاس بندی ویژگی های عددی
Handling Missing Values and Scaling Numerical Features
رسیدگی به موارد پرت و حذف انحراف توزیع
Handling Outliers and Removing Distribution Skew
رسیدگی به موارد پرت و حذف انحراف توزیع (ادامه)
Handling Outliers and Removing Distribution Skew (Continued)
استخراج ویژگی های اضافی
Deriving Additional Features
ارزیابی مدلهای مختلف و اعتبارسنجی متقابل
Evaluating Different Models and Cross- Validation
استراتژی های انتخاب مدل
Model Selection Strategies
مهندسی ویژگی برای طبقه بندی
Feature Engineering for Classification
استراتژی های انتخاب مدل برای ارزیابی ریسک اعتباری
Model Selection Strategies for Credit Risk Assessment
ایجاد خطوط لوله و انتخاب مدل پیشرفته
Creating Pipelines and Advanced Model Selection
ایجاد خطوط لوله پردازش با Scikit-learn
Creating Processing Pipelines with Scikit-learn
استفاده از خطوط لوله در مجموعه داده های ارزیابی ریسک اعتباری ما
Using Pipelines on Our Credit Risk Assessment Dataset
تکنیک های انتخاب مدل پیشرفته
Advanced Model Selection Techniques
تمرین خطوط لوله با مجموعه داده سری زمانی
Practicing Pipelines with a Time-Series Dataset
مدیریت داده های متنی با Scikit-learn
Handling Text Data with Scikit-learn
مدل کیسه ای از کلمات و تحلیل احساسات
Bag-of-Words Model and Sentiment Analysis
استفاده از Stop-Words و TF-IDF برای تحلیل احساسات
Using Stop-Words and TF-IDF for Sentiment Analysis
استفاده از N-Gram برای بهبود عملکرد مدل برای تجزیه و تحلیل احساسات
Using N-Grams to Improve Model Performance for Sentiment Analysis
استفاده از Stemming و Lemmatization برای تجزیه و تحلیل احساسات
Using Stemming and Lemmatization for Sentiment Analysis
مدلسازی موضوع با TruncatedSVD و تخصیص دیریکله پنهان
Topic Modeling with TruncatedSVD and Latent Dirichlet Allocation
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.
فرهان نظر زیدی دارای ۲۵ سال تجربه در معماری نرمافزار، مهندسی کلان داده و توسعه نرمافزار عملی در زبانها و فناوریهای مختلف است. او در معماری و طراحی سیستم های نرم افزاری شبکه ای، توزیع شده و برنامه های کاربردی تجزیه و تحلیل داده ها، و در طراحی سیستم های نرم افزاری درجه یک سازمانی مهارت دارد. فرهان دارای مدرک کارشناسی ارشد در علوم کامپیوتر از دانشگاه کالیفرنیای جنوبی، لس آنجلس، ایالات متحده آمریکا و کارشناسی مهندسی برق از دانشگاه مهندسی لاهور، پاکستان است. او در گذشته برای چندین شرکت Silicon-Valley در ایالات متحده به عنوان مهندس ارشد نرم افزار کار کرده است و همچنین سمت های کلیدی در صنعت نرم افزار در پاکستان داشته است. فرهان به عنوان مشاور، توسعهدهنده راهحلها و مربی حضوری در زمینه مهندسی دادههای بزرگ، میکروسرویسها، تجزیه و تحلیل پیشرفته و یادگیری ماشین فعالیت میکند.
نمایش نظرات