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

  • طرح خط Line plot

  • دقت Accuracy

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش یادگیری ماشین و مبانی هوش مصنوعی: درختان تصمیم با KNIME
جزییات دوره
1h 59m
37
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- 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

Keith McCormick Keith McCormick

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.