آموزش ساخت و ارزیابی درخت تصمیم در یادگیری ماشین (ML) - آخرین آپدیت

دانلود Build & Evaluate Decision Trees for ML

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: آیا آماده‌اید تا بر یکی از قدرتمندترین و قابل‌فهم‌ترین الگوریتم‌های یادگیری ماشین مسلط شوید؟ این دوره شما را در مسیر کامل درک، ساخت و ارزیابی مدل‌های درخت تصمیم (Decision Tree) با استفاده از زبان جاوا، استاندارد برنامه‌نویسی سازمان‌های بزرگ، هدایت می‌کند. شما با بررسی مفاهیم کلیدی شروع خواهید کرد؛ از اینکه درخت‌های تصمیم چگونه داده‌ها را بخش‌بندی می‌کنند و چرا معیارهای تقسیم مانند آنتروپی (Entropy) و شاخص جینی (Gini Index) اهمیت دارند و در چه مواردی درخت‌های تصمیم عملکرد بهتری نسبت به سایر الگوریتم‌ها دارند. سپس به سراغ پیاده‌سازی عملی خواهید رفت و با استفاده از ابزارهای استاندارد صنعتی مانند رابط کاربری بصری Weka و Java API در کنار کتابخانه با کارایی بالای Smile، مدل‌ها را توسعه، تنظیم و مستقر می‌کنید. از طریق تمرینات عملی، یاد می‌گیرید که هایپرپارامترها را پیکربندی کنید، بین نمونه‌سازی سریع و طراحی آماده تولید تعادل ایجاد کنید و تکنیک‌های ارزیابی مدل مانند ماتریس اغتشاش (Confusion Matrix)، اعتبارسنجی متقاطع (Cross-Validation) و معیارهای کلیدی عملکرد را به کار بگیرید. این دوره برای دانشمندان داده (آماتور و با تجربه)، توسعه‌دهندگان جاوا و مهندسان یادگیری ماشین که به دنبال ساخت، ارزیابی و تفسیر مدل‌های درخت تصمیم برای کاربردهای واقعی در حوزه‌های مالی، بهداشت و درمان و تحلیل‌های تجاری هستند، طراحی شده است. پیش‌نیازها: تجربه برنامه‌نویسی مقدماتی جاوا، درک مفاهیم شی‌گرا (OOP) و دانش بنیادی اصول علم داده. در پایان این دوره، شما قادر خواهید بود بیش‌برازش (Overfitting) را شناسایی و کاهش دهید، عملکرد مدل را بهینه کنید و بینش‌های به‌دست‌آمده را به‌طور مؤثر به ذینفعان فنی و تجاری منتقل نمایید.

سرفصل ها و درس ها

مبانی درخت تصمیم Decision Tree Fundamentals

  • خوش‌آمدگویی به دوره ساخت و ارزیابی درخت تصمیم در ML Welcome to Build and Evaluate Decision Trees with ML

  • مقدمه‌ای بر درخت‌های تصمیم و ساختار آن‌ها Introduction to Decision Trees and Their Structure

  • معیارهای تقسیم برای آنتروپی و بهره اطلاعاتی Splitting Criteria for Entropy and Information Gain

  • شاخص جینی و مقایسه روش‌های تقسیم Gini Index and Comparing Splitting Methods

ساخت درخت تصمیم در جاوا Building Decision Trees in Java

  • راه‌اندازی محیط یادگیری ماشین در جاوا Setting Up Your Java ML Environment

  • ساخت درخت‌های تصمیم با Weka GUI و Java API Building Decision Trees with Weka GUI and Java API

  • پیاده‌سازی درخت‌های تصمیم با کتابخانه Smile Implementing Decision Trees with Smile Library

ارزیابی عملکرد درخت تصمیم Evaluating Decision Tree Performance

  • درک ماتریس‌های اغتشاش و معیارهای طبقه‌بندی Understanding Confusion Matrices and Classification Metrics

  • تکنیک‌های اعتبارسنجی متقاطع برای ارزیابی مدل Cross-Validation Techniques for Model Assessment

  • شناسایی بیش‌برازش و بهینه‌سازی مدل Identifying Overfitting and Model Optimization

  • جمع‌بندی نهایی دوره Course Wrap-up

نمایش نظرات

آموزش ساخت و ارزیابی درخت تصمیم در یادگیری ماشین (ML)
جزییات دوره
4h 8m
11
(آخرین آپدیت)
34
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده