آموزش تفسیرپذیری مدل‌های رگرسیون - آخرین آپدیت

دانلود Regression Model Explainability

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: توضیح دادن مدل‌های یادگیری ماشین می‌تواند به اندازه ساختن آن‌ها چالش‌برانگیز باشد. در این دوره آموزشی با عنوان «تفسیرپذیری مدل‌های رگرسیون»، شما یاد می‌گیرید که چگونه رفتار مدل‌های رگرسیون خطی را با اطمینان تفسیر کرده و تحلیل کنید. در ابتدا، نحوه تفسیر ضرایب رگرسیون در بافتار داده‌ها را بررسی می‌کنید و می‌فهمید که این ضرایب چه نکاتی را درباره روابط موجود در داده‌های شما آشکار می‌کنند. سپس، با روش‌های شناسایی و رفع مشکلاتی مانند هم‌خطی (Multicollinearity) و نقض پیش‌فرض‌های مدل آشنا می‌شوید و از تکنیک‌های منظم‌سازی (Regularization) مانند رگرسیون LASSO و Ridge برای بهبود شفافیت مدل استفاده خواهید کرد. در نهایت، نحوه توضیح مدل‌های رگرسیونی که دارای تبدیلات غیرخطی هستند را خواهید آموخت. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم برای تحلیل مدل‌های رگرسیون را کسب خواهید کرد تا ابزارهایی بسازید که نه تنها دقیق، بلکه شفاف، قابل اعتماد و همسو با تصمیم‌گیری‌های دنیای واقعی باشند.

سرفصل ها و درس ها

تفسیر مدل‌های رگرسیون خطی Interpreting Linear Regression Models

  • رگرسیون خطی چیست؟ What Is Linear Regression?

  • توضیح ضرایب رگرسیون Explaining Regression Coefficients

  • ضرایب استاندارد شده Standardized Coefficients

  • هم‌خطی یا Multicollinearity Multicollinearity

  • رگرسیون منظم شده Regularized Regression

  • باقی‌مانده‌ها و نقض پیش‌فرض‌ها Residuals and Assumption Violations

  • فراتر از مدل‌های خطی ساده Beyond Simple Linear Models

نمایش نظرات

آموزش تفسیرپذیری مدل‌های رگرسیون
جزییات دوره
32m
7
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
4
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Daryle Serrant Daryle Serrant

دریل به عنوان دانشمند داده و مهندس نرم افزار برای غول های صنعتی مانند تسلا و لاکهید مارتین و همچنین شرکت هایی در بخش های هوافضا و دفاع، الکترونیک مصرف کننده، سلامت و تندرستی و انرژی های تجدیدپذیر کار کرده است. او در استفاده از یادگیری ماشینی برای خودکارسازی و ساده‌سازی عملیات برتری دارد و محصولات نرم‌افزاری را در طیف فناوری، از برنامه‌های کاربردی وب و موبایل گرفته تا سیستم‌های جاسازی شده، ساخته است. دریل در میان سرمایه گذاری های خود در دنیای فناوری، اشتیاق عمیقی به تدریس پیدا کرد. او به عنوان یک مربی علوم داده و مربی برنامه نویسی، نه تنها کودکان را با دنیای کدنویسی آشنا می کند، بلکه متخصصان مشتاق داده را از طریق پیچ و خم پیچیده مصاحبه های فناوری راهنمایی می کند.