آموزش یادگیری ماشین گروهی در پایتون: جنگل تصادفی (Random Forest) - آخرین آپدیت

سرفصل ها و درس ها

شروع به کار Get Started

• سرفصل‌ها و انگیزه‌ها Outline and Motivation

• نحوه دریافت کدها و داده‌ها Where to Get the Code and Data

• یکسان بودن تمام داده‌ها All Data is the Same

• استفاده سریع و آماده (Plug and Play) Plug-and-Play

توازن بایاس و واریانس Bias-Variance Trade-Off

• اصطلاحات کلیدی بایاس و واریانس Bias-Variance Key Terms

• توازن بایاس و واریانس Bias-Variance Trade-Off

• تجزیه بایاس و واریانس Bias-Variance Decomposition

• دموی رگرسیون چندجمله‌ای Polynomial Regression Demo

• دموی K-نزدیک‌ترین همسایه و درخت تصمیم K-Nearest Neighbor and Decision Tree Demo

• اعتبارسنجی متقاطع برای بهینه‌سازی پیچیدگی مدل Cross-Validation as a Method for Optimizing Model Complexity

• باکس پیشنهادات Suggestion Box

تخمین‌های بوت استرپ و بگینگ Bootstrap Estimates and Bagging

• تخمین بوت استرپ Bootstrap Estimation

• دموی بوت استرپ Bootstrap Demo

• بگینگ (Bagging) Bagging

• بگینگ در درخت‌های رگرسیون Bagging Regression Trees

• بگینگ در درخت‌های طبقه‌بندی Bagging Classification Trees

• استکینگ (Stacking) Stacking

جنگل تصادفی (Random Forest) Random Forest

• الگوریتم جنگل تصادفی Random Forest Algorithm

• رگرسور جنگل تصادفی Random Forest Regressor

• طبقه‌بند جنگل تصادفی Random Forest Classifier

• مقایسه جنگل تصادفی با درخت‌های بگینگ Random Forest vs Bagging Trees

• پیاده‌سازی جنگل «نه چندان تصادفی» Implementing a 'Not as Random' Forest

• ارتباط با یادگیری عمیق: دراپ‌اوت (Dropout) Connection to Deep Learning: Dropout

آدا بوست (AdaBoost) AdaBoost

• الگوریتم AdaBoost AdaBoost Algorithm

• مدل‌سازی جمعی (Additive Modeling) Additive Modeling

• تابع زیان AdaBoost: زیان نمایی AdaBoost Loss Function: Exponential Loss

• پیاده‌سازی AdaBoost AdaBoost Implementation

• مقایسه با استکینگ Comparison to Stacking

• ارتباط با یادگیری عمیق Connection to Deep Learning

• خلاصه و گام‌های بعدی Summary and What's Next

مرور نهایی و مفید Helpful Review

• فاصله‌های اطمینان Confidence Intervals