لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم با KNIME
Machine Learning and AI Foundations: Decision Trees with KNIME
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
بسیاری از متخصصان علوم داده به دنبال تمرکز بر یادگیری ماشین هستند. در این دوره، کیت مک کورمیک اصول یادگیری ماشینی مربوط به تجزیه و تحلیل پیش بینی و کار با درخت های تصمیم را پوشش می دهد. چندین الگوریتم درختی محبوب را کاوش کنید و یاد بگیرید که چگونه از مهندسی معکوس برای شناسایی متغیرهای خاص استفاده کنید. نمایش های استفاده از مدل ساز KNIME گنجانده شده است تا بتوانید نحوه عملکرد درخت های تصمیم را درک کنید. این دوره طراحی شده است تا به شما یک پایه محکم برای ایجاد مهارت های پیشرفته تری در علم داده ارائه دهد.
سرفصل ها و درس ها
مقدمه
Introduction
اصول درختان تصمیم گیری
The basics of decision trees
آنچه شما باید بدانید
What you should know
نحوه استفاده از فایل های تمرین
How to use the practice files
1. معرفی درختان تصمیم
1. Introducing Decision Trees
درخت تصمیم چیست؟
What is a decision tree?
جوانب مثبت و منفی درخت تصمیم
The pros and cons of decision trees
معرفی KNIME
Introducing KNIME
بررسی سریع اصول یادگیری ماشین با مثال
A quick review of machine learning basics with examples
مروری بر الگوریتم های درخت تصمیم
An overview of decision tree algorithms
2. معرفی الگوریتم C5.0
2. Introducing the C5.0 Algorithm
راس کوینلان، ID3، C4.5، و C5.0
Ross Quinlan, ID3, C4.5, and C5.0
درک محاسبات آنتروپی
Understanding the entropy calculation
C4.5 چگونه داده های از دست رفته را مدیریت می کند
How C4.5 handles missing data
مجموعه داده های Give Me Some Credit
The Give Me Some Credit data set
کار با نمونه از پیش ساخته شده
Working with the prebuilt example
تنظیمات KNIME برای C4.5
KNIME settings for C4.5
C4.5 چگونه متغیرهای اسمی را مدیریت می کند
How C4.5 handles nominal variables
C4.5 چگونه متغیرهای پیوسته را مدیریت می کند
How C4.5 handles continuous variables
نمونه برداری با اندازه مساوی
Equal size sampling
نگاهی گذرا به درخت کامل C4.5
A quick look at the complete C4.5 tree
ارزیابی دقت درخت C4.5 شما
Evaluating the accuracy of your C4.5 tree
چه زمانی هرس را خاموش کنیم
When to turn off pruning
3. معرفی درختان طبقه بندی
3. Introducing Classification Trees
معرفی لئو بریمن و CART
Introducing Leo Breiman and CART
ضریب جینی چقدر است؟
What is the Gini coefficient?
چگونه CART با استفاده از جانشین ها، داده های از دست رفته را مدیریت می کند
How CART handles missing data using surrogates
تغییر تنظیمات در KNIME
Changing the settings in KNIME
CART چگونه متغیرهای اسمی را مدیریت می کند
How CART handles nominal variables
نگاهی گذرا به درخت سبد خرید کامل
A quick look at the complete CART tree
ارزیابی دقت درخت سبد خرید شما
Evaluating the accuracy of your CART tree
4. معرفی درختان رگرسیون
4. Introducing Regression Trees
مجموعه داده MPG
MPG data set
نمونه از پیش ساخته شده درخت رگرسیون
The regression tree prebuilt example
ریاضیات پشت درختان رگرسیون
The math behind regression trees
چگونه RT متغیرهای اسمی را مدیریت می کند
How RT handles nominal variables
جابجایی متغیر ترتیبی
Ordinal variable handling
نگاهی دقیق تر به درخت رگرسیون کامل
Closer look at a full regression tree
گزینه های داده از دست رفته KNIME برای درختان رگرسیون
KNIME's missing data options for regression trees
داده کاو ، مربی ، سخنران ، نویسنده
کیت مک کورمیک یک کاوشگر اطلاعات ، مربی ، سخنران و نویسنده مستقل است.
کیت در توضیح روشهای پیچیده برای کاربران جدید یا تصمیم گیرندگان در سطوح مختلف از جزئیات فنی مهارت دارد. وی متخصص در مدل های پیش بینی و تجزیه و تحلیل تقسیم بندی از جمله درختان طبقه بندی ، شبکه های عصبی ، مدل خطی کلی ، تجزیه خوشه و قوانین ارتباط است.
نمایش نظرات